Документ взят из кэша поисковой машины. Адрес оригинального документа : http://kodomo.cmm.msu.ru/~jjigor/t3_files/recons.html
Дата изменения: Wed Dec 28 14:11:36 2005
Дата индексирования: Tue Oct 2 11:01:54 2012
Кодировка: Windows-1251

recons Главная страница третьего семестра

Реконструкция филогенетического дерева четыремя различными методами

Существует четыре широко используемых способа реконструкции деревьев. UPGMA, метод ближайших соседей (Neighbor-Joining), метод наибольшего правдоподобия (Maximum Likelihood) и метод максимальной экономии (Parsimony). Все они были применены к эволюционной модели, описанной деревом:

Первые два метода используют в качестве входных данных матрицу попарных расстояний между последовательностями (листьями искомого дерева), для ее построения был выбран алгоритм Джукса – Кантора, поскольку на данной модели он дает результаты, близкие к истинным. Использовалась программа ednadist. Вторые два метода являются символьно-ориентированными и используют множественное выравнивание последовательностей (оно построено программой emma с высокими параметрами штрафа за делеции).

Матрица попарных расстояний

6
Mut_A    0.0000    0.7619    0.8871    0.9261    0.9167    1.5181
Mut_B    0.7619    0.0000    0.8961    0.9672    0.9452    1.5944
Mut_C    0.8871    0.8961    0.0000    0.4596    0.4545    1.5338
Mut_D    0.9261    0.9672    0.4596    0.0000    0.2278    1.6923
Mut_E    0.9167    0.9452    0.4545    0.2278    0.0000    1.7122
Mut_F    1.5181    1.5944    1.5338    1.6923    1.7122    0.0000

Четыре варианта реконструкции дерева, выданные различными алгоритмами

UPGMA (программа eneighbor)



                           +----------------------Mut_A     
                       +---3  
                       !   +----------------------Mut_B     
  +--------------------4  
  !                    !             +------------Mut_C     
  !                    +-------------2  
--5                                  !     +------Mut_D     
  !                                  +-----1  
  !                                        +------Mut_E     
  !  
  +-----------------------------------------------Mut_F

Соответствующая скобочная формула:

(((Mut_A:0.38095,Mut_B:0.38095):0.08058,(Mut_C:0.22853,(Mut_D:0.11390,Mut_E:0.11390):0.11463):0.23301):0.34355,Mut_F:0.80508);

Укорененное, ультраметрическое дерево.

Neighbor-Joining (программа eneighbor)


          +-----Mut_C     
  +-------2  
  !       !    +---Mut_D     
  !       +----1  
  !            +---Mut_E     
  !  
--4---------------------------------Mut_F     
  !  
  !  +----------Mut_A     
  +--3  
     +-----------Mut_B

Соответствующая скобочная формула:

((Mut_C:0.18472,(Mut_D:0.11597,Mut_E:0.11183):0.15843):0.25996,Mut_F:1.12954,(Mut_A:0.35640,Mut_B:0.40550):0.04576);

Неукорененное, неультраметрическое дерево.

Maximum Likelihood (программа ednaml)


  +-------------------------------------Mut_F     
  !  
  !  +-----------Mut_B     
--4--1  
  !  !         +-----Mut_C     
  !  +---------3  
  !            !   +---Mut_E     
  !            +---2  
  !                +---Mut_D     
  !  
  +----------Mut_A

Соответствующая скобочная формула:

(Mut_F:1.25004,(Mut_B:0.39820,(Mut_C:0.20471,(Mut_E:0.11339,Mut_D:0.11708):0.14031):0.31219):0.04663,Mut_A:0.34484);

Неукорененное, неультраметрическое дерево.

Parsimony (программа ednapars)


        +--------Mut_F     
     +--5  
     !  !  +-----Mut_C     
     !  +--4  
  +--2     !  +--Mut_E     
  !  !     +--3  
  !  !        +--Mut_D     
--1  !  
  !  +-----------Mut_B     
  !  
  +--------------Mut_A

Соответствующая скобочная формула:

(((Mut_F,(Mut_C,(Mut_E,Mut_D))),Mut_B),Mut_A);

Неукорененное дерево, длины ветвей вообще не указаны.

Таблица топологий получившихся деревьев

Ветвь	Исходное дерево модели	UPGMA	NJ	ML	Parsimony
`ABCDEF`	Исходное дерево модели	UPGMA	NJ	ML	Parsimony
`110000`	+	+	+	-	+
`001110`	+	+	+	+	+
`000110`	+	+	+	+	+
`100001`	-	-	-	+	-

Единственный алгоритм, который не дал верного результата - это Maximum Likelihood. Стоит заметить, что размер ветви ((A,B),все остальное) очень небольшой, возможно именно такое маленькое расстояние и вызвало такую погрешность.