Exploratie van de fylogenetische zoekruimte in online Bayesiaanse fylodynamische inferentie

Hedendaags beschikbare methoden voor online Bayesiaanse fylodynamische inferentie ondersteunen momenteel slechts een beperkt aantal methoden en dienen uitgebreid te worden om een bredere waaier aan scenario's aan te kunnen, gebruik makende van verschillende modellen ('coalescent' en 'molecular clock'). In het eerste deel van mijn doctoraat wens ik de zoekruimte van de fylogenetische bomen - gebaseerd op standaard Bayesiaanse fylodynamische inferentie - te verkennen aan de hand van nieuwe methoden, die bekend staan als 'tree effective sample size' (ESS). In eerste instantie zou dat via een simulatiestudie zijn waarin ik de Monte Carlo standaardfout kan controleren en zo een nuttige verzameling van richtlijnen en principes kan uitschrijven die door onderzoekers gebruikt kunnen worden wanneer ze dit soort analyses wensen uit te voeren. Ik zal dan ook, op basis van mijn resultaten, de performantie van deze ESS waarden nagaan op recente relevante datasets (HIV, SARS-CoV-2, Ebola). Daarnaast wens ik het verband tussen een bepaalde klasse aan fylogenetische analysemethoden (de zogenaamde 'phylogenetic placement approaches') en de kwaliteit van de verkenning van de fylogenetische zoekruimte beter leren begrijpen, aangezien dit een tot vandaag zeer weinig bestudeerd domein is. Het principieel doel van dit doctoraat is het zorgvuldig evalueren van hoe grondig de hedendaags gebruikte Bayesiaanse fylogenetische analysemethodes zijn wanneer het neerkomt op het correct vastleggen van fylogenetische onzekerheid (en de Monte Carlo standaardfout), zodat ik richtlijnen zou kunnen uitwerken voor onderzoekers over het maken van zulke analyses. Zo zouden we hopelijk kunnen antwoorden op vragen zoals 'hoe lang bepaalde algoritmes moeten blijven draaien om betrouwbare resultaten te verkrijgen?'.