生物信息大作业.docVIP

系统发育树构建方法的研究进展 科 目： 生物信息 学 院： 物联网工程学院 专 业: 计算机科学与技术 班 级： 计科0905 学 号： 0304090518 姓 名： 徐海涛 2011年12月21日( phylogenetictree),它是用类似树状分支的图来表示各种( 类) 生物之间的亲缘关系, 通过对生物序列的研究来推测物种的进化历史。主要是通过DNA 序列, 蛋白质序列, 蛋白质结构等来构建系统发育树, 或者通过蛋白质结构比较包括刚体结构叠合和多结构特征比较等方法建立结构进化树。研究系统发育树的目的可以重建祖先序列??性状; 估计来自于同一个祖先的不同生物之间的分歧时间; 识别和疾病关联的突变等。近些年随着基因数据的爆炸增长, 系统发育树的构建越来越流行。基于分子的进化研究已经应用到许多方面, 如基因进化, 物群划分, 交配系统, 父亲身份测试, 环境监视以及已经转移物种的疾病源的研究等。 从数学的观点看, 系统发育树是一颗树叶有标签的有根二叉树, 根表示祖先序列。系统发育树主要是它的拓扑结构和分支长度。分支长度表示突变的时间。拓扑表示树的分支模式, 有N 个叶子可生成无根树的数目根据Schroder 公式有( 2N - 5) ! ! ,对每个无根树有( 2N - 3) 种可能的分枝。因此, 有根树的树目是( 2N - 3) ( 2N - 5) ! ! = ( 2N - 3) ! ! [ 1] 。系统发育树的叶子在生物上称作操作分类单元OTU( operat ional taxonomic units) , OTU 代表构建的系谱的不同生物。构建系统发育树所用的数据用矩阵XN ??K 表示, N 表示氨基酸或核苷酸的序列数, 即有N 个叶子的树。K 表示序列的字符数( 列数) 。构建树分析主要有二步: 第一步用XN?? K 矩阵产生树??T 并用来估计未知的树T ;第二步产生关于T?? 的可信描述, 通常采用Bootstrap 方法。一般Bootstrap 的值70, 则认为构建的进化树较为可靠。如Bootstrap 的值太低, 则说明有可能进化树的拓扑结构有错误,进化树是不可靠的。 替代模型： 基于距离的方法和最大似然法都是用参数模型描述序列间突变的过程, 此过程称为替代模型。首先定义替代概率P ( t ) , 即一个给定序列位置i 上的字母x 经过t 时间进化成y 的概率。类似Markov 过程, 表示为 P ( t ) 与变化矩阵Q 有关, Q 表示一个核苷酸( 氨基酸) 变成另一个核苷酸( 氨基酸) 的概率。有许多替代模型, 最简单的是Jukes-Cantor 模型, 这个模型假定DNA 中的核苷酸发生变化的概率是相同的, Q 的定义如下: 其中表示突变率。如果是氨基酸序列, 矩阵的大小为 通常比 突变更频繁些。 系统发育树构建方法 系统发育树构建方法通常有四种类型: 基于距离的方法, 简约方法( parsimony method) , 最大似然法和贝叶斯估计方法。基于距离的方法有UPGMA、ME(Minimum Evolution,最小进化法) 和NJ( Neighbor-Joining, 邻接法) 等。首先计算给定矩阵中序列X 和Y 之间的距离, 有Jukes-Cantor 模型和海明模型。dH ( s1 , s2 ) 表示一个序列变化到另一个序列需要变化的最小数目。如:dH ( GGGAACT, GGCAACT ) = 1。表1 是用Fitch 和Marogliash 计算20 个物种氨基酸序列的海明距离矩阵的一部分。一旦距离矩阵被计算, 实际树就可以用聚类技术来估计。最常使用的聚类算法是非加权配对算术平均法UPGMA ( Unweighted Pair GroupMethod with Arithmetic mean) 和邻结法( NJ) 。例如, 首先在给定矩阵中选择有最小距离的两个物种, 在这里选择man 和monkey, 第二步将这二个物种聚类成一个子树, 然后根据公式dist( man- monkey, 物种i ) =12( dist?? ?? ( man, 物种i ) + dist( monkey, 物种i ) ) ( 2)计算出这个新生成的子树与其他物种间的距离, 如表2 所示。最后生成的系统发育树如图1所示。 基于距离方法的缺点: 该方法对物种不同的突变率的敏感性高, 只关注距离矩阵而不是序列数据,如启发式