Question

构建系统发育树的三大方法

Answer 1

问：构建系统发育树的三大方法

答：亲亲，您好1.系统发育树构建步骤

答：多序列比对 系统发育树构建的第一步是进行多序列比对，常用的软件包括MEGA， cluster X，Muscle，phylip等。（都很常用，就看哪个顺手）MEGA是最常用的比对建树软件，优点是可视化图形界面，简单方便；缺点是比对速度慢，输出格式单一。Cluster X 的优点是图形界面，可输出多种格式（如phy）；缺点也是慢。Muscle和phylip 的优点是运算快，不过需要输入简单地代码，可能不适合初学者。

答：.选择建树方法 系统发育树构建的基本方法有如下几种：1、Distance-based methods 距离法：（基于距离的方法：首先通过各个物种之间的比较，根据一定的假设（进化距离模型）推导得出分类群之间的进化距离，构建一个进化距离矩阵。进化树的构建则是基于这个矩阵中的进化距离关系。）·Unweightedpair group method using arithmetic average(UPGMA)非加权分组平均法· Minimum evolution(ME)最小进化法· Neighbor joining(NJ)邻位归并法2、Character-based methods 特征法：（基于特征的方法：不计算序列间的距离，而是将序列中有差异的位点作为单独的特征，并根据这些特征来建树。）· Maximum parsimony(MP) 最大简约法· Maximum likelihood method(ML) 最大似然法模型选择的依据如下图：

答：其中UPGMA法已经较少使用。一般来讲，如果模型合适，ML的效果较好。对近缘序列，有人喜欢MP，因为用的假设最少。MP一般不用在远缘序列上，这时一般用NJ或ML.对相似度很低的序列，NJ往往出现Long-branch attraction（LBA，长枝吸引现象），有时严重干扰进化树的构建。贝叶斯的方法则太慢。对于各种方法构建分子进化树的准确性，一篇综述（Hall BG. Mol Biol Evol 2005，22（3）：792-802）认为贝叶斯的方法最好，其次是ML，然后是MP。其实如果序列的相似性较高，各种方法都会得到不错的结果，模型间的差别也不大。不过现在文章普遍使用的是NJ是ML模型。

答：.进化树评估 用截然不同的距离矩阵法与简约法分析一个数据集，如果能产生相似的系统发育树，这样的树可以认为是可靠的。我们一般用Bootstrap（自展法）进行检验，现在一般文章要求Bootstrap值1000。虽然根据严格的统计学概念，自展值要大于95%才较为可信，然而在实际应用中，特别是微生物等相似度比较大的分类中，一般大于50%就认为可信（小于50%隐去）。

答：对我们而言 ，最常用到的三个指标分别是距离标尺，分支长度和自展值。

答：距离标尺：进化树可以显示序列的差异度，这里的标尺就可以当做为进化树的“比例尺”。分支长度：在树形结构中，枝长累积距离越近的样本差异越小，反之差异越大。比如OTU16与Nitrosospira multiformis的差异度是A1+A2，OTU16与Nitrosospira briensis的距离是A2+A3+A4，以此类推。自展值：刚才已经讲过关于自展值的评估方法。自展值可以显示可信度。一般低于50%的会隐去。那啥情况下会低于50%呢，两种情况，相似度太低或太高。一般来说，低自展值靠近分支末端，可能是由于相似度太高难以区分，这时建议可以换一个基因建树。如果低自展值靠近根，可能是由于相似度太低。

答：进化树美化 进化树没问题以后，可以在美学角度对进化树进行改善。可以用到的软件有AI， PS，ggtree、GraPhlAn、treeview，Figtree，和在线网站ITOL等。一般需要建完树后用输出格式为 *.tree 或 *.nwk 的文件，导入到相关软件，进行修饰。最后，就可以做成这样的图啦

问：列举两个常用的生物信息学一级数据库

答：一．一级蛋白质数据库：1. 一级序列数据库：Swiss-Prot冗余度低、可信度高(reviewed)；T rEMBL中的数据冗余度高（not reviewed and自动注释）；还有 PIR；Uniprot中整合了三者中的数据2. 一级结构数据库：一个结构对应一个pdb id，而不是一条蛋白质序列对应一个pdb id，因为同一个蛋白质在数据库中可以有很多个结构，可以是不同作者提交的，也可以是不同的蛋白形态；三条chain（A，B，C），也就是三聚体；绝大多数是X射线衍射法得到；少数核磁共振（NMR）；极少数电子显微镜等二级结构：helix（螺旋）；sheet（折片）；turn（转角）；可视化软件根据蛋白质中的原子坐标、原子大小展现在空间中，并根据原子间的距离连上化学键

答：二．二级蛋白质数据库1. Pfam数据库是蛋白质结构域家族的集合。蛋白质一般是由一个或多个功能区域组成，这些功能区域通常称为结构域（domain）。在不同的蛋白质中结构域以不同的组合出现，形成了蛋白质的多样性。识别结构域对了解蛋白质的功能具有重要的意义。2. CATH：蛋白质的种类（class，C）：全alpha型，全beta型，alpha+beta型，低二级结构型；蛋白质二级结构的构架（architecture，A）；蛋白质的拓扑结构（topology，T）；蛋白质同源超家族（homologous superfamily，H）。蛋白质的分类对象是PDB中存储的那些已测定结构的蛋白质结构域（domain），分类时既使用计算机程序，也进行人工检查。所以PDB中一个蛋白质可能对应CATH中多个结构分类，因为这个蛋白可能包含多个结构域，目前CATH已经对PDB中10万多个结构（30多万个结构域）进行了分类3. SCPOP2（structural classification of protein，蛋白质结构分类数据库），该数据库在搜集、整理、分析PDB数据中已知的蛋白质

答：三．专用数据库1. KEGG（Kyoto encyclopedia of genes and genomes, 京都基因与基因组百科全书）是关于基因、蛋白质、生化反应以及通路的综合生物信息数据库由多个子库构成。2. OMIM（online mendelian inheritance in man，人类孟德尔遗传在线）：人类遗传病的数据库。（mendelian inheritance in man， MIM，人类孟德尔遗传）是一个将遗传病分类并链接到相关人类基因组中的数据库。提供遗传疾病及相关基因位点的详细信息。

答：可以吗，亲亲