Hamming 立方体上分支随机游走的首达时间如何表现？

增长中的种群须先产生指定突变体

论文研究的是一个增长中的种群何时首次产生某个特定基因型。基因型是长度为 d、字母表大小为 b ≥ 2 的序列，对 RNA 而言 b = 4，因此基因型空间是 Hamming 立方体 {0, 1, …, b−1}^d，其中两个顶点相邻当且仅当它们恰好在一个坐标上不同。每个粒子以总速率 1 发生突变，均匀地选择一个邻居；在净增长率为 λ 的基因型上，它以速率 max(λ, 0) 分裂、以速率 max(−λ, 0) 死亡。

选择压力体现在净增长率随基因型变化。各顶点的速率从固定概率分布中独立抽取，随后在整个演化过程中保持不变，因此携带同一基因型的所有粒子共享同一速率。这是适应度景观的“纸牌屋”理想化：它有意忽略即使只相差一个位点的基因型之间的适应度相关性。以抽样得到的景观为条件的概率称为淬火概率；对景观取平均得到退火律。

关注的量是首达时间（FPT）：任一后代首次到达指定目标的时刻。距离 m 是初始基因型到该目标的 Hamming 距离，即二者不同的坐标数。论文的渐近结果在 1 ≤ m ≤ d 上对 m 一致，且以过程存活为条件。

两个问题组织起整个分析。目标基因型在什么时间尺度上首次出现，这一首次出现时间的涨落有多大？以及在保持净增长率不变的前提下，增加突变能否推迟它的首次出现，若能，推迟多少？第二个问题的动机来自抗病毒诱变：诸如 molnupiravir 之类的药物通过增加病毒 RNA 复制过程中的错误来抑制病毒生长，这引发了诱变治疗也可能促进不想要变体出现的担忧。

繁殖律必须低于突变率

主要结果在一个假设下成立：繁殖律的本质上确界严格低于确定性突变率，且速率分布与突变率在 d 增大时都保持固定。这对应了此前关于齐次 Hamming 立方体分支随机游走研究中慢分支区间的情形，在那里即使目标处于有界正 Hamming 距离，首达时间仍保持 d 阶。

这一假设并非技术上的事后补充；正是它使 d 阶时间尺度成为相关尺度。它也将本文与多类型分支过程对突变体首次出现的研究区分开来：后者的渐近结果针对固定基因型结构上越来越稀有的突变，而这里序列空间在增大，总突变率却保持固定。

繁殖与突变事件是解耦的。突变改变粒子的基因型而不发生分支，而分裂产生两个携带父代基因型的粒子。当 b = 4 时，突变游走与经典的 Jukes–Cantor 模型一致。将这两种机制分开，正是论文得以追问在增长率律固定时单独改变突变率会如何移动首达时间的原因。

涨落围绕确定性中心保持有界

论文的核心对象是一个确定性中心，记作 θ̂_{d,m}，它依赖于维数 d 和起点—目标距离 m，但不依赖于抽样得到的景观。定理 2.1 表明存在确定性常数 C_ctr < ∞，使得对充分大的 d，|θ̂_{d,m} − d·u*(m/d)| 在 1 ≤ m ≤ d 上的上确界至多为 C_ctr log d。换言之，该中心被确定到对数修正以内，且在所有距离上一致。

定理 2.2 随后表明，正是同一个中心控制着实际随机的首达时间。在 1 ≤ m ≤ d 上一致地，淬火首达时间等于 θ̂_{d,m} 加上一个在环境概率意义下紧致的项，而同一中心在给定存活条件下给出均匀的退火紧致性。形式上，对每个 ε > 0，条件淬火律在 θ̂_{d,m} 周围宽度为 A 的窗口之外赋予超过 A 的质量这一事件，其环境概率在 A 增大、随后 d 增大时趋于零。

淬火与退火的区分在这里很重要。淬火紧致性说的是，对典型抽样景观，在该景观与存活条件下的首达时间涨落保持在有界时间尺度上。退火紧致性说的是，对景观取平均后同一中心仍然有效。两者都以存活为条件，而当某顶点的淬火存活概率为零时，条件律按约定定义为无条件律。

一个显著特点是该中心是确定性的，而非依赖环境。在一维静态随机环境模型中，介质会在扩散的 √n 尺度上把前沿从其确定性线性阶上偏移，需要依赖环境的中心才能恢复一阶紧致性。而在 Hamming 立方体上，条件律依赖环境的位置仅在一阶尺度上围绕确定性中心涨落。

稀疏距离给出 d 与 m 的两项展开

在稀疏距离区间 m = o(d) 中，论文推导出确定性中心的一阶展开。若 m_d 是满足 1 ≤ m_d ≤ d 且 m_d = o(d) 的确定性整数序列，则 θ̂_{d,m_d} = u*(0)d + r_+ m_d + o(m_d) + O(log d)。首项关于序列长度 d 线性，修正项关于 Hamming 距离 m_d 线性，系数为 r_+。

系数 r_+ 定义为 log H(κ)/κ 在集合 K* 上的最小值，其中 K* 收集了 (0, u*(0)) 处最大化鞍点的时钟分量 κ。之所以取最小值，是因为稀疏距离的计算必须允许存在多个最大化鞍点，而非假定唯一；比较它们的一阶响应便得到 r_+。论文还记录了局部行为 u*(θ) = u*(0) + r_+θ + o(θ)（θ ↓ 0）。

该展开是关于确定性中心的陈述，而非关于某一次实现的首达时间。它说明在稀疏距离下，d 阶系数为 u*(0)，m 阶系数为 r_+，误差为 d 的对数修正和 m 的低阶项。读者在比较不同距离时应把这两个尺度分开：d 决定主导时间尺度，而 m 仅通过稀疏区间修正进入。

独立访问代理模型使静态模型可处理

证明策略的核心是把静态环境模型与一个独立访问变体进行比较。在静态模型中，基因型的繁殖率只抽样一次，并在每次访问时重复使用。在独立访问变体中，重复访问会重新抽样环境，这使模型在技术上可处理，同时保留了作者所需的一阶矩结构。

这一比较是定量的。通过统计路径的重复访问及其停留时间，作者得到静态一阶矩与独立访问一阶矩之间的条件均值比较，并给出静态一阶矩围绕该均值的涨落界。这正是使针对代理模型证明的结论能够转回生物模型实际描述的静态环境的原因。

定位确定性中心需要离散桥上的局部极限估计，这些估计在适当倾斜后把相关的卷积结构识别为独立随机变量之和。这给出在 t = d·u*(m/d) 附近 log K̂_{d,m}(t) = d·F(m/d, t/d) + O(log d)。由于指数在该处以有界远离零的速率增长，这便把 θ̂_{d,m} 定位到 O(log d) 以内。

紧致性随后分三步进行：比较静态模型与独立访问模型；通过分数阶 Paley–Zygmund 不等式获得正命中概率，这需要对某个小的固定 q ∈ (0,1) 给出目标计数的 (1+q) 阶矩上界；并通过重抽样论证表明成功概率集中在其条件环境均值处。集中步骤对单个顶点的速率重新抽样，杀死进入该顶点的粒子，并用多对一路径展开和鞅重抽样不等式控制由此产生的差异。

更多突变推迟首达，增长更分散则加快首达

论文的比较静态分析区分了两个读者可能混淆的参数。对于突变率，推论 2.4 固定分支率律，考虑满足超临界条件 ϱ > λ_+ 且 ϱ ∫ P(dλ)/(ϱ − λ) > 1 的紧区间内的两个突变率 ϱ₁ < ϱ₂。在稀疏距离区间中，较大的突变率具有较大的 d 阶主导通过时间系数：对 0 ≤ θ ≤ ε 有 u*^{[ϱ₂]}(θ)/ϱ₂ > u*^{[ϱ₁]}(θ)/ϱ₁。因此增加突变会以 d 阶推迟首达，且每个过程都以自身存活为条件。

对于繁殖律，耦合论证表明随机更大的净增长率律在退火律下给出随机更小的无条件首达时间，因此这个方向并非有趣之处。非平凡的陈述是关于凸序的。若 P₁ ≤_cx P₂，即两个律具有相同的有限均值且 P₂ 对每个凸函数的积分都不少于 P₁，则对所有 1 ≤ m ≤ d 有 θ̂_{2,d,m} ≤ θ̂_{1,d,m}，且对 0 ≤ θ ≤ 1 有 u*²(θ) ≤ u*¹(θ)。若 P₁ ≠ P₂，根不等式严格成立，因此在更分散的律下主导通过时间系数严格更小。

这两个结果回答的是不同问题，不应合并。突变率推论针对稀疏区间，并针对以物理单位表示的 d 阶主导系数，该系数是在主定理假定单位突变率的情况下经重标度得到的。凸序推论针对增长率律的均值保持分散，在全部距离 1 ≤ m ≤ d 上成立，仅当两个律不同时严格。

非线性饱和仅以有界量推迟水平时间

作为进一步应用，论文把分支过程与 Hamming 立方体上的 Fisher–KPP 方程联系起来，该方程将突变与速率 Λ_x 的逻辑增长以及因子 (1 − w) 所描述的饱和结合起来。它在零处的线性化是抛物 Anderson 方程，其解是分支过程的淬火一阶矩。分支表示给出在每个环境中 w^ω ≤ v^ω，其中 w^ω 是非线性解，v^ω 是其线性化。

对于水平 0 < α < 1，定义 T_α[f](x) 为解 f 在顶点 x 处首次达到 α 的时刻。在增长率律支撑于 [0, λ_+]（即没有死亡）这一附加假设下，推论 2.6 表明非线性解与其线性化达到任一固定水平的时刻仅相差 O_{P_env}(1)，且在所有 Hamming 距离上的指定目标上一致。它还表明，非线性水平时间在某个距离上超过线性水平时间超过 A 这一事件具有趋于零的环境概率。

要点在于非线性延迟在概率意义下保持有界，而不仅仅是在 d 阶尺度上可忽略。这与一维随机介质形成对比，那里已知的非线性与线性空间前沿之间的距离界为 O(log t)。设定的差异很重要：这里的比较是 d → ∞ 时在指定顶点达到固定水平的时间，而非 t → ∞ 时空间前沿位置之间的比较。

确定性中心是论文的可操作量

本文中最具决策相关性的对象不是某一次模拟的首达时间，而是确定性中心 θ̂_{d,m} 及其稀疏距离两项展开 u*(0)d + r_+ m + o(m) + O(log d)。正是这一展开让读者能够把序列长度的贡献与起点—目标距离的贡献分开：d 决定主导阶，而 m 仅在稀疏区间 m = o(d) 中通过系数 r_+ 进入。

比较静态分析随后成为从该中心读取参数变化的方式。保持增长率律固定并在超临界区间内提高突变率，会在稀疏区间中增大 d 阶主导通过时间系数，因此诱变压力会推迟首次出现而非加速它。保持突变游走固定并用凸序下的均值保持分散替换增长率律，会在每个距离 1 ≤ m ≤ d 上减小该中心，且当两个律不同时严格。

这两个陈述都以存活为条件，且是 d → ∞ 的渐近结果，增长率分布与突变率保持固定。紧致性结果是在环境概率意义和退火律下陈述的，而非对每个景观逐路径成立，Fisher–KPP 推论还额外假定没有死亡。在这些边界之内，论文的优先事项是清楚的：组织 Hamming 立方体上首达行为的是确定性中心，而非依赖环境的位置。

渐近结果的适用范围与止步之处

结果是关于序列长度 d 的渐近，繁殖律与突变率在 d 增大时保持固定。繁殖律的本质上确界必须严格低于突变率，这使模型处于首达时间保持 d 阶的慢分支区间。陈述以存活为条件，淬火紧致性是在环境概率意义下的陈述，而非对每个抽样景观的逐路径保证。

稀疏距离展开仅在 m = o(d) 时适用；对于与 d 相当的距离并未声称成立，那里只有关于中心的均匀 O(log d) 界。突变率比较静态针对满足超临界条件的紧速率区间和稀疏区间陈述，且涉及重标度到物理单位后的 d 阶主导系数。凸序结果要求两个速率律具有相同的有限均值。

Fisher–KPP 水平时间推论增加了增长率律支撑于 [0, λ_+] 的假设，排除了死亡。模型本身是忽略相邻基因型之间适应度相关性的理想化纸牌屋景观，因此这些结果描述的是一种可处理的近似，而非对任何特定病毒适应度景观的标定描述。

本文引用的文献