系統發生分析在 21 世紀已從少數基因片段的分析擴展為基因組尺度的統計推論，但也面臨新的挑戰與爭議。
理論基礎：統計一致性
Felsenstein（1978, Syst. Zool.）著名證明在特定條件下簡約法不具統計一致性（long-branch attraction, LBA）：即使資料無限增加，也會收斂到錯誤樹。Hendy & Penny（1989）的 "Felsenstein zone" 定量此風險區。ML 與貝氏方法在正確模型下具一致性，但在模型誤設時也可收斂到錯誤答案（Yang, 2014, Molecular Evolution）。
最大似然法的計算革命
Felsenstein（1981, J. Mol. Evol.）的 pruning algorithm 使 ML 在計算上可行，為系統發生學計算奠基。Stamatakis（2006）的 RAxML 引入 rapid bootstrap 與 MPI 平行運算；Nguyen et al.（2015, Mol. Biol. Evol.）的 IQ-TREE 引入 ultrafast bootstrap 與 ModelFinder。Zhang et al.（2020, Mol. Biol. Evol.）的 IQ-TREE 2 將基因組尺度分析整合至單一框架。
貝氏方法的發展
Yang & Rannala（1997, Mol. Biol. Evol.）與 Mau et al.（1999）奠定貝氏系統發生學的 MCMC 框架。Huelsenbeck & Ronquist（2001, Bioinformatics）的 MrBayes 成為標準軟體。BEAST（Drummond & Rambaut, 2007, BMC Evol. Biol.）整合鬆弛分子鐘與演化時間推論，是 molecular dating 的主流工具。詳見 bayesian-phylogeny 條目。
替換模型的演進
- Tavaré（1986）：建立 GTR 模型的完整理論。
- **Yang（1994, J. Mol. Evol.）**：Γ 分布的位點速率異質性。
- Codon models：Goldman & Yang（1994, Mol. Biol. Evol.）建立 codon-based ω=dN/dS 模型，用於偵測正向選擇。
- Mixture models：CAT (Lartillot & Philippe, 2004, Mol. Biol. Evol.) 在深層分歧的蛋白質演化中優於 GTR。
物種樹 vs 基因樹的不相容
在 genomic 時代成為核心問題：
1. Incomplete lineage sorting (ILS)：祖先多態性未固定前發生分歧，不同基因可在不同物種組合中合併。
2. Hemiplasy（Avise & Robinson, 2008）：ILS 導致的性狀分布看似同塑性。
3. Horizontal gene transfer (HGT) 與 hybridization/introgression：基因在物種間傳遞，產生不同的基因樹。
解決策略：
- Multispecies coalescent (MSC)：ASTRAL（Mirarab et al., 2014, Bioinformatics）以 quartet frequencies 估計物種樹。
- StarBEAST2（Ogilvie et al., 2017）：整合 MSC 與分子鐘。
- Concatenation vs coalescent：Gatesy & Springer（2014, Mol. Phylogenet. Evol.）vs Mirarab et al.（2016）的長期辯論。
系統發生基因組學（Phylogenomics）
Delsuc et al.（2005, Nat. Rev. Genet.）的綜述標誌 phylogenomics 紀元。核心挑戰：
- Systematic error：大資料可強化錯誤訊號（如 LBA、組成偏差、飽和）
- Model misspecification：ML/貝氏在錯誤模型下可高信心支持錯誤樹（Phillips et al., 2004, PLoS Biol.）
- Data filtering：對快速飽和位點、罕見 indel、長枝的處理
典型應用：
- 鳥類基因組學（Jarvis et al., 2014, Science）：48 種鳥類基因組解析新穎鳥類爆炸性輻射。
- 昆蟲系統發生（Misof et al., 2014, Science）：1478 個基因解析昆蟲目級關係。
- 哺乳類 TimeTree（Upham et al., 2019, PLoS Biol.）：5911 物種的時間校正樹。
Outgroup 選擇的系統影響
Bergsten（2005, Cladistics）綜述 outgroup 問題：outgroup 太遠 → LBA 風險；太近 → 可能落在 ingroup 內。多 outgroup 並行分析為現代標準。
網絡系統發生學（Phylogenetic Networks）
嚴格樹狀結構無法描述網狀演化（hybridization, HGT, recombination）。SplitsTree（Huson & Bryant, 2006, Mol. Biol. Evol.）、PhyloNet（Than et al., 2008）、SNaQ（Solís-Lemus & Ané, 2016）提供網絡推論。
模型複雜度的取捨
Susko & Roger（2020, Mol. Biol. Evol.）警告：過度參數化（over-parameterization）反而降低推論準確性；簡單模型在充分資料下可能優於過度複雜模型。Heaps et al.（2014）以非均質模型處理鹼基組成異質性。
分支支持度的批判
Felsenstein（1985, Evolution）引入 bootstrap 為系統發生學的統計檢驗。然而：
- 貝氏後驗機率常高估支持度（Cummings et al., 2003, Syst. Biol.）
- ML bootstrap 對小樣本保守
- ultrafast bootstrap（Hoang et al., 2018, Mol. Biol. Evol.）與 ABayes（Anisimova et al., 2011）提供平衡方案
前沿：(1) 全基因組對齊的系統發生（Cactus, Armstrong et al., 2020, Nature）；(2) 深度學習應用於系統發生推論（Suvorov et al., 2020; Solis-Lemus et al., 2022）；(3) 古 DNA 整合至現生系統發生（Slatkin & Racimo, 2016）；(4) single-cell 譜系追蹤的 tree reconstruction 演算法。