분자 대 형태 학적 데이터 편집
분할도를 생성하는 데 사용되는 특성은 대략 두 가지 형태로 분류 할 수 있습니다. (synapsid 두개골, 온혈, notochord, 단세포 등) 또는 분자 (DNA, RNA 또는 기타 유전 정보). DNA 시퀀싱이 출현하기 전에 분지 분석은 주로 형태 학적 데이터를 사용했습니다. (동물에 대한) 행동 데이터도 사용될 수 있습니다.
DNA 염기 서열 분석이 저렴 해지고 쉬워 짐에 따라 분자 체계는 계통 발생 가설을 추론하는 점점 더 대중적인 방법이되었습니다. 간결성 기준을 사용하는 것은 분자 데이터에서 계통 발생을 추론하는 여러 방법 중 하나 일뿐입니다. 시퀀스 진화의 명시 적 모델을 통합하는 최대 가능성과 같은 접근 방식은 시퀀스 데이터를 평가하는 비 헤니 지아 방식입니다. 계통 발생을 재구성하는 또 다른 강력한 방법은 게놈 레트로 트랜스포존 마커를 사용하는 것인데, 이는 서열 데이터를 괴롭히는 회귀 문제에 덜 취약한 것으로 생각됩니다. 그들은 또한 한때 게놈으로의 통합이 전적으로 무작위라고 생각 되었기 때문에 일반적으로 동형 형성의 발생률이 낮은 것으로 간주됩니다. 그러나 적어도 가끔은 그렇지 않은 것 같습니다.
분 지론의 변명. 이 다이어그램은 “A”와 “C”를 조상 상태로 표시하고 “B”, “D”및 “E”를 최종 분류군에있는 상태로 나타냅니다. 실제로 조상 조건은 (이 휴리스틱 예제에 표시된 것처럼) 선험적으로 알려져 있지 않지만 터미널에서 관찰되는 공유 상태의 패턴에서 추론되어야합니다. 이 예의 각 터미널이 고유 한 상태를 가지고 있다는 점을 감안할 때 실제로 우리는 조상 상태에 대해 결정적인 어떤 것도 추론 할 수 없습니다 (관찰되지 않은 상태 “A”와 “C”의 존재가 무자비한 추론이라는 사실 외에는! )
Plesiomorphies 및 synapomorphiesEdit
연구자는 어떤 캐릭터 상태가 “조상”(다형)이고 어떤 캐릭터 상태가 파생 (synapomorphies)인지 결정해야합니다. 문자 상태는 그룹화의 증거를 제공합니다. 이 결정은 일반적으로 하나 이상의 아웃 그룹의 성격 상태와 비교하여 수행됩니다. 외집단과 내 집단의 일부 구성원간에 공유되는 상태는 심플 레오 모피입니다. 그룹 내 하위 집합에만 존재하는 상태는시나 포 모피입니다. 단일 터미널 (autapomorphies)에 고유 한 문자 상태는 그룹화의 증거를 제공하지 않습니다. 외부 그룹의 선택은 분지 분석에서 중요한 단계입니다. 다른 외부 그룹은 완전히 다른 토폴로지를 가진 트리를 생성 할 수 있기 때문입니다.
HomoplasiesEdit
동형은 둘 또는 둘이 공유하는 문자 상태입니다. 공통 조상 이외의 다른 원인으로 인해 더 많은 분류군. 호모 플라시의 두 가지 주요 유형은 수렴 (최소한 두 개의 서로 다른 계보에서 “동일한”캐릭터의 진화)과 복귀 (조상 캐릭터 상태로의 복귀)입니다. 북극 포유류의 다른 혈통에있는 흰 털과 같이 명백히 동종인 캐릭터는 관계에 대한 우리의 이해에 기여하지 않기 때문에 계통 발생 분석에 캐릭터로 포함되어서는 안됩니다. 그러나 동종 성형은 종종 캐릭터 자체를 검사하여 (예를 들어, DNA 서열에서와 같이) 분명하지 않으며, 가장 빈약 한 분지도에서 일치하지 않는 (일치하지 않는 분포) 감지됩니다. 동형 인 문자는 여전히 계통 발생 신호를 포함 할 수 있습니다.
수렴 진화로 인한 동종 성형의 잘 알려진 예는 “날개 존재”라는 문자입니다. 새, 박쥐 및 곤충의 날개는 동일한 기능을 수행하지만 해부학에서 볼 수 있듯이 각각 독립적으로 진화했습니다. 새, 박쥐 및 날개 달린 곤충이 “날개 존재”라는 캐릭터에 대해 점수를 매겼다면 데이터 세트에 동종 성형이 도입되어 잠재적으로 분석을 혼란스럽게하여 잘못된 관계 가설을 만들 수 있습니다. 물론 처음부터 동종 성형을 인식 할 수있는 유일한 이유는 동질성 분포를 나타내는 관계 패턴을 암시하는 다른 문자가 있기 때문입니다.
분지도가 아닌 것 편집
분도도는시나 포 모피만을 기준으로 분류군을 그룹화하는 분석의 다이어그램 결과입니다.데이터를 다소 다르게 처리하는 다른 많은 계통 발생 알고리즘이 있으며, 그 결과 분지도처럼 보이지만 분절도가 아닌 계통 발생 트리가 생성됩니다. 예를 들어 UPGMA 및 Neighbor-Joining과 같은 페 네틱 알고리즘은 전체 유사성에 따라 그룹화하고시나 포 모피와 symplesiomorphies를 모두 그룹화의 증거로 취급합니다. 결과 다이어그램은 클라도 그램이 아닌 페노 그램입니다. 마찬가지로 모델 기반 방법의 결과 (최대 가능성 또는 베이지안 접근 방식) 분기 순서와 “분기 길이”를 모두 고려하는 경우시나 포 모피와 오타 포 모피를 모두 그룹화에 대한 증거로 계산합니다. 이러한 종류의 분석 결과 다이어그램도 분지도가 아닙니다.
Cladogram selectionEdit
“최상의”cladogram을 식별하는 데 사용할 수있는 몇 가지 알고리즘이 있습니다. 대부분의 알고리즘은 측정 항목을 사용하여 후보 분절도가 데이터와 얼마나 일치하는지 측정합니다. 대부분의 분절도 알고리즘은 최적화 및 최소화의 수학적 기술을 사용합니다.
일반적으로 분절도 생성 알고리즘은 컴퓨터 프로그램으로 구현되어야하지만 일부 알고리즘은 데이터 세트가 적당 할 때 수동으로 수행 할 수 있습니다 (예 : 몇 가지 종과 몇 가지 특성).
일부 알고리즘은 특성 데이터가 분자 (DNA, RNA) 인 경우에만 유용합니다. 다른 알고리즘은 특성 데이터가 형태 학적 일 때만 유용합니다. 특성 데이터에 분자 및 형태 데이터가 모두 포함 된 경우 다른 알고리즘을 사용할 수 있습니다.
분할도 또는 기타 유형의 계통 발생 트리에 대한 알고리즘에는 최소 제곱, 인접 결합, 간결성, 최대 가능성 및 베이지안 추론이 포함됩니다.
생물 학자들은 때때로 특정 종류의 분절도 생성 알고리즘에 대해 간결함이라는 용어를 사용하고 때로는 모든 계통 발생 알고리즘에 대한 포괄적 용어로 사용합니다.
최적화 작업을 수행하는 알고리즘 (예 : 분절도 작성)은 다음과 같이 할 수 있습니다. 입력 데이터 (종 및 특성 목록)가 표시되는 순서에 민감해야합니다. 데이터를 다양한 순서로 입력하면 동일한 알고리즘이 서로 다른 “최상의”분광도를 생성 할 수 있습니다. 이러한 상황에서 사용자는 다양한 순서로 데이터를 입력하고 결과를 비교해야합니다.
단일 데이터 세트에 서로 다른 알고리즘을 사용하면 각 알고리즘이 고유 한 정의를 가질 수 있기 때문에 때때로 서로 다른 “최상의”분도도를 생성 할 수 있습니다. “최고”의.
가능한 분지도의 천문학적 수로 인해 알고리즘은 솔루션이 전체적으로 최상의 솔루션임을 보장 할 수 없습니다. 프로그램이 원하는 글로벌 최소값이 아닌 로컬 최소값으로 설정되면 최적이 아닌 분도도가 선택됩니다. 이 문제를 해결하기 위해 많은 cladogram 알고리즘은 시뮬레이션 된 어닐링 접근 방식을 사용하여 선택한 cladogram이 최적의 cladogram이 될 가능성을 높입니다.
기초 위치는 루트의베이스 (또는 루트) 방향입니다. 계통 발생 나무 또는 분절도. 기저 clade는 더 큰 clade 내에서 분기하는 가장 초기 clade (주어진 분류학 순위의)입니다.