生物信息學(xué)基礎(chǔ)大作業(yè)報(bào)告(編輯修改稿)
2025-05-01 23:37 本頁(yè)面
【文章內(nèi)容簡(jiǎn)介】 進(jìn)化研究中的空白，還可以從現(xiàn)存后代的序列中客觀地推測(cè)出中間的狀態(tài)，是對(duì)進(jìn)化理論的重大貢獻(xiàn)。貓蠆驢繪燈鮒誅髏貺廡獻(xiàn)鵬縮職鯡樣。最大似然法最初是由—和()提出，用于構(gòu)建基于基因頻率的發(fā)生樹”。(，)將該方法引入到基于核苷酸序列的發(fā)生樹的構(gòu)建，后來(lái)又?jǐn)U展到氨基酸序列數(shù)據(jù)。最大似然法明確的使用概率模型，其目標(biāo)是尋找能夠以較高概率產(chǎn)生觀察數(shù)據(jù)的系統(tǒng)發(fā)生樹,是一種比較成熟的參數(shù)估計(jì)的統(tǒng)計(jì)學(xué)方法。最大似然法是由樣本觀測(cè)值估計(jì)總體參數(shù)的一種常用方法。最大似然法是選擇最高概率的樹。這個(gè)方法采用一個(gè)參數(shù)模型 ，是一個(gè)維向量，是樹的拓?fù)浣Y(jié)構(gòu)。在這個(gè)模型下對(duì)于數(shù)據(jù)集中每個(gè)序列所有可能樹的似然是獨(dú)立計(jì)算的。對(duì)一個(gè)給定樹和給定替代參數(shù)計(jì)算列的似然，（）。鍬籟饗逕瑣筆襖鷗婭薔嗚訝擯饃鯫缽。似然是所有可能樹的拓?fù)浜蛷南蛄揩@得的分支長(zhǎng)度的最大化。這需要計(jì)算所有可能樹的似然，計(jì)算量是很大的，最大似然方法是以下面假定為前提的。在序列中每個(gè)符號(hào)進(jìn)化獨(dú)立于序列的其它符號(hào)；不同血統(tǒng)進(jìn)化是獨(dú)立的；每個(gè)符號(hào)以期望突變率代替。最大似然法的缺點(diǎn)：最大似然法的假定在實(shí)際中是很少存在的，每個(gè)樹的似然計(jì)算是很耗時(shí)間的。構(gòu)氽頑黌碩飩薺齦話騖門戲鷯瀏鯪晝。最大簡(jiǎn)約法和最大似然法相似之處是兩個(gè)算法都是基于標(biāo)準(zhǔn)的，都需要首先確定一個(gè)標(biāo)準(zhǔn)，然后按這個(gè)標(biāo)準(zhǔn)去比較不同的發(fā)生樹，最后選擇最優(yōu)的樹。兩者只是選擇的樹的標(biāo)準(zhǔn)不一樣而己，最大簡(jiǎn)約法考察輸入數(shù)據(jù)中序列的多重比對(duì)結(jié)果，優(yōu)化出的發(fā)生樹能夠利用最少的離散步驟去解釋多重比對(duì)的堿基差異。最大似然法考察輸入數(shù)據(jù)中序列的多重比對(duì)結(jié)果，優(yōu)化出擁有一定拓?fù)浣Y(jié)構(gòu)和枝長(zhǎng)的發(fā)生樹，這個(gè)發(fā)生樹能夠以最大的概率導(dǎo)致考察的多重比對(duì)結(jié)果。因此它們的搜索策略是相似的。如果物種數(shù)目很小，可以采用窮舉法來(lái)尋找最大似然樹。但由于單一的發(fā)生樹的數(shù)量會(huì)隨著分類物種數(shù)量的增長(zhǎng)而呈指數(shù)增長(zhǎng)，因此這種方法只適用于物種數(shù)目很小的情況(一般要求小于)。輒嶧陽(yáng)檉籪癤網(wǎng)儂號(hào)澩蠐鑭釃邊鯽釓。最大似然法與貝葉斯方法的區(qū)別在于：前者對(duì)參數(shù)進(jìn)行關(guān)節(jié)點(diǎn)評(píng)估，根據(jù)參數(shù)變動(dòng)取似然性的峰值所對(duì)應(yīng)的分支樹；后者則對(duì)參數(shù)概率分布進(jìn)行邊界評(píng)估，根據(jù)參數(shù)變動(dòng)取曲線分布覆蓋面積最大的函數(shù)所對(duì)應(yīng)的分支樹。貝葉斯方法具有可以高效處理大量分子數(shù)據(jù)和分類階元等計(jì)算上的優(yōu)點(diǎn)和所得結(jié)果易于解釋的特點(diǎn)。除了推斷系統(tǒng)發(fā)育，貝葉斯分析還用于評(píng)價(jià)系統(tǒng)發(fā)育中的不穩(wěn)定性、探測(cè)可能存在的自然選擇、考察協(xié)同進(jìn)化、檢驗(yàn)分子鐘假設(shè)(的分析并不苛求分子的勻速進(jìn)化假設(shè))、選擇替換模型以及探測(cè)橫向基因轉(zhuǎn)移和基因組進(jìn)化等相關(guān)研究。堯側(cè)閆繭絳闕絢勵(lì)蜆贅瀝紕縭墾鯇換。貝葉斯方法比最大似然法能表示更多的可信進(jìn)化模型，替代率的變異可以再各個(gè)點(diǎn)建模，貝葉斯方法有一個(gè)非常寬的先驗(yàn)分布，后驗(yàn)概率分布用樣本和( )方法計(jì)算。如果有不同的突變率，那么有如下形式：識(shí)饒鎂錕縊灩筧嚌儼淒儂減攙蘇鯊運(yùn)。很多情況下不知道，用經(jīng)驗(yàn)貝葉斯分析和啟發(fā)貝葉斯分析兩個(gè)方法產(chǎn)生后驗(yàn)概率，當(dāng)未知參數(shù)出現(xiàn)時(shí)，經(jīng)驗(yàn)貝葉斯分析用估計(jì)來(lái)表示未知參數(shù)，啟發(fā)貝葉斯分析將二級(jí)先驗(yàn)（ )作為前期未知參數(shù)的密度。積分所有的二級(jí)先驗(yàn)作為先驗(yàn)， ()提出用作為二級(jí)先驗(yàn)，平均值為差異為似然函數(shù)表示為如下公式：凍鈹鋨勞臘鍇癇婦脛糴鈹賄鶚驥鯀戲。對(duì)于給定的樹的后驗(yàn)分布公式如下：其中，表示所有可能的分支長(zhǎng)度，表示進(jìn)化率。當(dāng)物種數(shù)目較多時(shí)用 積分更有效。當(dāng)用算法和樣本的方法可忽略分母，基于貝葉斯估計(jì)方法的軟件包主要有,不過(guò)速度較慢。一般的進(jìn)化樹分析中較少應(yīng)用。該軟件用仿真進(jìn)行系統(tǒng)發(fā)育樹的貝葉斯推理。用的貝葉斯方法的主要問(wèn)題是收斂性沒(méi)有證明。 恥諤銪滅縈歡煬鞏鶩錦聰櫻鄶燈鰷軫。系統(tǒng)發(fā)育樹的算法改進(jìn)遺傳算法和模擬退火算法 針對(duì)最大簡(jiǎn)約法，引入了遺傳退火算法的思想，提出一種新的建樹算法，即遺傳退火簡(jiǎn)約法，以簡(jiǎn)約樹的長(zhǎng)度作為適應(yīng)度函數(shù)，隨機(jī)生成多個(gè)初始樹，通過(guò)多次執(zhí)行選擇退火、排序、交叉退火和變異退火操作，逐步收斂到所要搜尋的解，即最大簡(jiǎn)約樹。鯊腎鑰詘褳鉀溈懼統(tǒng)庫(kù)搖飭緡釷鯉憮。 遺傳算法和模擬退火算法的直接互補(bǔ)性體現(xiàn)在：遺傳算法把握總體能力的能力較強(qiáng)
化學(xué)相關(guān)推薦
鄂ICP備17016276號(hào)-1