系统发育分析

系统发育分析

# UPGMA 简化的距离聚类示意
import math

seqs = {"A": "ATGCGT", "B": "ATGCGA", "C": "TTGCGT", "D": "TCGCGT"}

def dist(x, y):
    return sum(a != b for a, b in zip(seqs[x], seqs[y]))

names = sorted(seqs)
D = {a: {b: dist(a, b) for b in names} for a in names}
for a in names:
    print(a, {b: D[a][b] for b in names if b != a})
​

实际分析中通常使用成熟工具（如 IQ-TREE、RAxML、MrBayes）配合引导序列比对的工具（如 MAFFT、trimAl），并关注比对清洗、模型选择与支持度报告。理解不同方法的假设与局限，能帮助读者评估文献中的进化树结论，也能正确开展自己的建树分析。树的解读需结合时间校准、基因树与物种树差异等更高阶话题循序渐进。

建树方法与评估

系统发育分析根据分子序列重建物种或基因之间的进化关系，结果是一棵系统发育树。树的拓扑结构反映亲缘关系，枝长反映进化距离。建树方法分为几类：距离法先把多序列比对转化为两两距离矩阵，再用邻接法或 UPGMA 聚类成树，计算快但信息利用有限；最大简约法选择解释数据所需变化次数最少的树；最大似然法为给定的树和替代模型计算数据的似然值，寻找似然最大的树；贝叶斯法用马尔可夫链蒙特卡洛采样后验分布，并给出支持度。

模型选择直接影响结果，核苷酸替代模型从简单的 Jukes-Cantor 到更接近现实的 GTR 加 Gamma 分布等，蛋白质模型则如 JTT、WAG。分支支持度常用 bootstrap 重抽样（对列重采样后重建并统计支持比例）或贝叶斯后验概率表示。多序列比对质量、序列饱和、水平基因转移等因素都会影响建树结果，需要结合生物学知识解释。

# UPGMA 简化的距离聚类示意
import math

seqs = {"A": "ATGCGT", "B": "ATGCGA", "C": "TTGCGT", "D": "TCGCGT"}

def dist(x, y):
    return sum(a != b for a, b in zip(seqs[x], seqs[y]))

names = sorted(seqs)
D = {a: {b: dist(a, b) for b in names} for a in names}
for a in names:
    print(a, {b: D[a][b] for b in names if b != a})
​

系统发育的"建树方法"：距离法、最大简约与贝叶斯

系统发育分析（phylogenetics）是用分子数据重建物种/基因的进化树，其"建树方法"值得掌握：距离法（distance methods——先算序列两两距离（进化距离——p-distance、Jukes-Cantor、Kimura 2-parameter——"替代模型的校正"），再用距离建树（UPGMA（超度量假设）、邻接法 NJ（最小进化）——"快速但信息利用有限"）；最大简约法（maximum parsimony——找"进化改变最少"的树——"奥卡姆剃刀"——直观但长枝吸引（long-branch attraction）问题）；最大似然法（maximum likelihood——给定替代模型与树，算"数据在该树下的似然"——找似然最大的树——"统计框架、模型灵活"——PhyML、RAxML）；以及贝叶斯方法（Bayesian inference——用 MCMC 抽样"后验分布的树"——"不确定性量化"（后验概率）——MrBayes、BEAST——"贝叶斯建树给出树与支持率的后验分布"）。

系统发育的"核心概念"：物种树 vs 基因树（基因树 ≠ 物种树——不完全谱系分选（ILS）、基因复制/丢失——"基因树需要整合为物种树"）；分子钟（molecular clock——序列差异随时间累积——"分子钟校准时间"（用化石校准）——"进化时间的估计"）；以及"支持率"（bootstrap（重抽样支持率）——"树的分支有多可信"）。做一个"建树思维"练习：理解"替代模型为什么重要"（不同模型假设不同的替换速率（转换 vs 颠换、位点间速率异质性）——模型选择（AIC/BIC）影响建树结果——"模型是进化的假设"）；理解"为什么系统发育对生物信息学重要"（同源推断（序列相似 + 系统发育确认）、功能预测（进化保守）、以及"微生物组学的系统发育分析"（16S rRNA 建树——物种鉴定与群落分析）。系统发育是"进化视角"的计算实现——从物种分类到基因家族演化到病毒溯源（COVID 的进化树分析），系统发育分析把"序列数据"转化为"进化历史"。
回顾本节核心：建树方法（距离/简约/似然/贝叶斯）；物种树 vs 基因树；分子钟与支持率。系统发育把"序列数据"转化为"进化历史"——从物种分类到病毒溯源，进化视角是生物数据解读的重要维度。
记住一句话：建树方法（距离/简约/似然/贝叶斯）各有权衡——系统发育把序列转化为进化历史，同源推断依赖进化视角。
从实践角度理解系统发育：做一个「建树」练习——取一组 16S rRNA 序列（或蛋白序列），用 MEGA/iqtree 建树——查看树的拓扑与支持率（bootstrap）——亲手建一棵树，让你理解「序列→比对→建树→解读」的完整流程；再做一个「应用」练习——分析一组新冠病毒序列的进化关系（公共数据）——「病毒溯源的生物信息学实践」。
补充一点：系统发育的「模型选择」影响结论——替代模型（GTR、HKY 等）与速率异质性（gamma 分布）的选择会改变树的拓扑——「模型选择（AIC/BIC 比较）是建树的标准步骤」——「进化推断的可靠性依赖模型的恰当性」。