4.4系统发生树的构建.pdf

《生物信息学》第四章：分子进化与系统发生 系统发生树的构建 构建系统发生树的方法很多。最常用的有基于距离的构建方法，包括非加权分组平均法 （Unweighted Pair Group Method with Arithmetic mean，UPGMA），最近邻居法（Neighbor- Joining method，NJ），最小二乘法（Generalized Least Squares，GLS）等。还有最大简约法 （Maximum Parsimony，MP），最大似然法（Maximum Likelihood，ML），贝叶斯推断法（Bayesian Inference，BI）等。我们并不打算一一讲解这些方法的具体原理。你只要掌握何时选用何种 方法就可以了，算法的事自由软件替你搞定。从计算速度来看，最快的是基于距离的方法， 几十条序列几秒钟即可完成。其次是最大简约法。最大似然法就要慢得多。最慢的是贝叶斯 法。但是从计算准确度来看，算得最慢的贝叶斯法确是最准确，而算得最快的基于距离法结 果确是最粗糙。从实用的角度，建议使用最大似然法。因为这种方法无论从速度还是准确度 都比较适中。最近邻居法虽然算得快，但是当序列多，彼此差别小的时候，这种方法不适合。 最大简约法，似乎是个掉空里的方法，高不成低不就，所以很少有人使用。贝叶斯法不是所 有的建树软件都提供，算法开发上还有待提高，而且计算时间过长。 目前流行的建树软件（表 1），比如 PHILIP 和 MEGA，基本能够包括上述所有算法。 如果想要构建 ML 树，也可以尝试专门构建 ML 树的 PHYML。贝叶斯的算法以 MrBayes 为 代表，只是计算速度比较慢。如果构建的系统发生树要用于发表生物信息学领域的文章，需 要两种以上的构建方法锁定同一个结果才能审稿通过。如果是用于发表以生物实验为主的文 章用一种构建方法就可以了。 虽然软件可以快速自动地完成系统发生树的构建，但是对于基本算法的了解还是必不可 少的。以非加权分组平均法（UPGMA 法）为例，介绍如何通过计算所有序列两两间的距离， 再根据距离远近构建系统发生树。序列两两间的距离可以用双序列比对得出的一致度/相似 度代表，或用其他简化值代替。 比如，有如下A、B、C、D 四条序列： ： A TAGG B：TACG C：AAGC D：AGCC 在接下来的例子里，我们用序列间不同的碱基数目作为序列间遗传距 离的度量。首先，计算出每两条序列间有几个碱基不同，并以用矩阵的形 式记录下这些距离。 找出距离最小的一对序列。A 和 B 之间的 距离最小，d[AB]=1。然后将 A 与 B 合并聚集， 其分支点为 d[AB]/2=1/2=0.5。即，A、B 之间的距离等于 1，从中间折叠后每边各 0.5。 现在，把 (AB)看成一个整体， 分别计算它们与 C 和 D 的距离。 (AB)和 C 的距离等于A 和 C 的距 离加上B 和 C 的距离除以 2，即， d[(AB)C]=(d[AC]+d[BC])/2 =(2+3)/2 2.5。同样， (AB)和 D 的距离等于 A 和 D 的距离加上 B 和 D 的 距 离 除 以 2 ， 即 ， d[(AB)D]=(d[AD]+d[BD])/2=(4+3)/2=3.5。据此，计算出新的距离矩阵，并找出新 矩阵中最小的距离。C 和 D 之间的距离最小，d[CD]=2。将 C 和 D 进行合并聚集，其分支 点为 d[CD]/2=2/2=1。 接下来，把 (CD)看成一个整体，计算它们与 (AB)之间的距离。 (CD)与 (AB)之间的距 离 等 于 C 和 (AB)的 距 离 加 上 D 和 (AB)的 距 离 除 以 2 ， 即 ， d[(CD)(AB)]= (d[C(AB)]+d[D(AB)])/2=(2.5+3.5)/2=3。最后，将 (AB)与 (CD)进行合并聚集，归 为一类，分支点为 d[(