PAUP 4.0 基本上会测试时间可逆模型的所有变化，包括用最大似然方法从数据中评估得到的实际模型，以及针对非静态数据的log�det距离建树方法所得到的模型。
与最大似然方法相比，距离建树方法的计算强度很小，但是可以使用序列进化的相同模型，这是它们最主要的优点。这个方法的缺点是屏蔽了真实的特征符数据。最常用的距离建树方法是“不加权配对组算术方法”（UPGMA，unweighted pair group method with arithmetic mean）、相邻连接方法（NJ，neighbor joining）和对距离进化树的附加值进行优化的方法，包括最小进化方法（ME，minimum evolution）。有些方法被不止一个系统发育软件包引用，但是在使用时不一定会使用相同的指定参数和（或）进化树优化特征（比如，树枝交换��见下）。
不加权配对组算术方法（UPGMA，unweighted pair group method with arithmetic mean）
UPGMA是一种聚类或者说是分类方法��它按照配对序列的最大相似性和连接配对的平均值的标准将进化树的树枝连接起来。它还不是一种严格的进化距离建树方法（Li, 1997）。只有当序列分歧是基于一个分子钟或者近似等于原始的序列差异性的时候，我们才会期望UPGMA会产生一个拥有真实的树枝长度的准确的拓扑结构（ultrametric; Swofford et al., 1996a）。正如前面讨论的那样，在实际问题中很少会遇到这种情况。
相邻连接方法（NJ，neighbor joining）
相邻连接算法在距离建树中经常会用到，而不会理会使用什么样的优化标准。完全解析出的进化树是通过对完全没有解析出的“星型”进化树进行“分解”得到的，分解的步骤是连续不断地在最接近（实际上，是最孤立的）的序列对中插入树枝，而保留进化树的终端（图9.8）。于是，最接近的序列对被巩固了，而“星型”进化树被改善了，这个过程将不断重复。这个方法相对而言很快，也就是说，对于一个50个序列的进化树，只需要若干秒甚至更少。
Fitch�Margoliash（FM）
Fitch�Margoliash（FM）方法设法通过把所有可能观察到的距离相对于进化树中所有可能的路径长度的偏差的平方极小化，将进化树中观察到的双重距离的合适度极大化（Felsenstein, 1997）。有一些变量，在怎样对错误进行加权的处理上不太一样。对变化的估值并非是完全独立的，因为所有的进化树内部的树枝中存在的错误都至少被计算了两次（Rzhetsky and Nei, 1992）。
上一篇：多序列比对的实际应用 下一篇：利用蛋白质序列的预测方法
共45页: 上一页 [1] [2] [3] [4] [5] [6] [7] [8] [9] [10] [11] 12 [13] [14] [15] [16] [17] [18] [19] [20] [21] [22] [23] [24] [25] [26] [27] [28] [29] [30] [31] [32] [33] [34] [35] [36] [37] [38] [39] [40] [41] [42] [43] [44] [45] 下一页
