Open this publication in new window or tab >>2026 (English)Doctoral thesis, comprehensive summary (Other academic)
Framsteg inom statistiska metoder för data med fylogenetisk struktur
Abstract [en]
Statistical models rely on assumptions that reflect the process generating the data, and one of the most common assumptions is independence among observations. However, this assumption often breaks down when studying biological data across different taxa. Species that share a recent common ancestor tend to resemble each other simply because of that shared history, not because of any direct relationship between their traits. Phylogenetic trees offer a natural way to account for these shared histories, allowing researchers to model the expected similarity between species based on how closely related they are. Although the statistical tools for this research area have advanced considerably over the past several decades, important questions remain about how well current models work and how they can be improved to handle more complex biological data.
This thesis focuses on continuous trait evolution models on phylogenetic trees, using the tree’s structure to capture the expected relationships between species. Because the ancestral states of these traits are typically unobserved, this requires building models around plausible mechanisms for how traits might have evolved over time. While continuous trait evolution is the central theme, the thesis also covers related topics, including models for discrete traits and approaches that treat the tree itself as uncertain.
This thesis is based on contributions to six papers. Contributions fall into two themes: (1) methods and applications, and (2) model properties and behavior. Those focused on methods and applications introduce new statistical approaches for modeling trait evolution and demonstrate their use in real biological questions, from bacterial genome organization to patterns of adaptive evolution. Those focused on model properties and behavior contribute to a deeper theoretical understanding of existing methods, addressing topics such as the mathematical properties of evolutionary trees and practical challenges that arise during statistical inference. Together, these papers advance both the methodological toolkit and the conceptual understanding of trait evolution modelling in a phylogenetic context.
Abstract [sv]
Statistiska metoder bygger på matematiska antaganden och antaganden om sannolikheter kring den pro-cess som skapar de data vi observerar. Syftet är att förstå den verkliga processen bättre. Ett av många områden där statistiska metoder används är evolutionsbiologi. Där studeras hur egenskaper hos arter har utvecklats över tid, med så kallade fylogenetiska jämförande metoder. Eftersom arter är släkt med varandra genom en gemensam historia kan mönster i deras egenskaper inte förklaras bara av hur egenskaperna hänger ihop med varandra. Egenskaperna kan ju helt enkelt ha ärvts från en gemensam förfader. Släktskapet mellan arter beskrivs med ett evolutionärt träd, som visar hur arter härstammar från gemen-samma förfäder. Trädet visar alltså hur lika arterna bör vara bara på grund av släktskap, och skillnader utöver det kan förklaras med ytterligare antaganden som modelleras med stokastiska processer.
Avhandlingen handlar främst om stokastiska processer som beskriver hur kontinuerliga egenskaper förändras över tid, med hänsyn till släktskapet i det evolutionära trädet. För detta används en bred grupp av processer som kallas gaussiska processer. De har flera fördelar, både teoretiskt och när det gäller beräkningar. Även stokastiska processer för diskreta egenskaper tas upp, inklusive processer för själva trädet.
Avhandlingen bygger på sex artiklar som kan delas in i två grupper: (1) metoder och tillämpningar, och (2) hur modellerna fungerar och beter sig. I den första gruppen utvecklas nya statistiska metoder som sedan används för att besvara biologiska frågor, till exempel hur gener är ordnade i bakteriers arvsmassa och hur arter anpassar sig till sin miljö. I den andra gruppen granskas modeller som redan används, bland annat en modell där själva trädet ses som slumpmässigt och modeller för flera kontinuerliga egenskaper samtidigt. Tillsammans ger avhandlingen forskare nya sätt att studera hur egenskaper utvecklas, och en bättre bild av styrkor och svagheter hos vanliga modeller.
Place, publisher, year, edition, pages
Linköping: Linköping University Electronic Press, 2026. p. 58
Series
Linköping Studies in Arts and Sciences, ISSN 0282-9800 ; 944Linköping Studies in Statistics, ISSN 1651-1700 ; 19
Keywords
Phylogenetic comparative methods, Branching Gaussian process, Monte Carlo method, Fylogenetiska jämförande metoder, Förgrenande gaussisk process, Monte Carlo-metod
National Category
Probability Theory and Statistics
Identifiers
urn:nbn:se:liu:diva-228636 (URN)10.3384/9789181187366 (DOI)9789181187359 (ISBN)9789181187366 (ISBN)
Public defence
2026-11-20, Ada Lovelace, building B., Campus Valla, Linköping, 09:15 (English)
Opponent
Supervisors
Note
2026-10-16: The ISSN for Linköping studies in statistics has been added in the E-version
2026-10-162026-10-162026-10-19Bibliographically approved