Advanced methods and applications in phylogenetic tree generation and model interpretability

Els arbres filogenètics són diagrames que representen les relacions evolutives entre diverses entitats, com les espècies biològiques, basades en les semblances i diferències en les seves característiques. En aquests diagrames, els nodes representen elements individuals o tàxons, mentre que les branques representen les connexions evolutives entre ells. En aquest context, cal definir o analitzar mètodes específics basats en distàncies per determinar com creen un arbre filogenètic i entendre la història evolutiva que proporcionen. Aquesta tesi té dos objectius principals. El primer és investigar diferents algorismes basats en la distància aplicats en la creació i l'anàlisi d'arbres filogenètics, centrant-se en les implicacions dels llaços en la proximitat que poden conduir a ambigüitats en les estructures dels arbres filogenètics binaris. Analitzem com aquests arbres inexactes afecten la nostra comprensió de les relacions evolutives. L'anàlisi desenvolupada en aquesta tesi demostra que els llaços de proximitat dificulten la representació precisa de les històries evolutives, interpretacions potencialment enganyoses de les relacions filogenètiques. A més, proposem un nou mètode per a generar arbres filogenètics que abordi eficaçment els vincles en el problema de proximitat, millorant així la fiabilitat de la inferència evolutiva. El segon focus de la tesi és la interpretabilitat de Graph Convolutional Networks (GCNs), que són models avançats d'aprenentatge profund per a dades estructurades per grafs. Malgrat la seva eficàcia, els GCN són sovint criticats per la seva naturalesa de "caixa negra", plantejant reptes en transparència i confiança, especialment en aplicacions crítiques com l'atenció sanitària. Els generadors de mapes de rellevància (SMGs) ofereixen explicacions post-hoc per a les decisions dels GCNs ressaltant les característiques clau a les dades d'entrada. Investiguem l'eficàcia d'aquests mapes de rellevància i proposem mètriques per avaluar el seu rendiment, millorant així la interpretabilitat dels GCN.