67. Bayesçi filogeni sonrası çözümleme
Şablon kimliği: bayes_filogeni · Kategori: genetik · Dil: R · Dosya: pro/sablonlar/genetik/bayes_filogeni.R (satır 1–638; üstbilgi 1–258) · Örnek veri: _ornek/bayes_filogeni_primates_mrbayes.csv · Paketler: ape 5.8-1, phangorn 2.12.1, coda 0.19-4.1 · Dış program: MrBayes 3.2.9 (MerQuR+ ile gelir)
67.1 Ne işe yarar
Bayesçi filogeni programları (MrBayes, BEAST) tek bir ağaç değil, sonsal dağılımdan çekilmiş binlerce örnek üretir: her örnek bir ağaç ve o ağaçla birlikte örneklenmiş model parametreleridir. Şablon bu örneklemi özetler ve iki soruyu cevaplar: "Zincirler sonsal dağılımı yeterince dolaştı mı?" ve "Örneklem hangi ağacı, hangi güvenle destekliyor?" Birinci soru için yakınsama ölçütleri (etkin örneklem büyüklüğü, potansiyel ölçek küçültme çarpanı, bölünme frekanslarının ortalama standart sapması), ikinci soru için özet ağaçlar (en yüksek klad güvenilirlikli ağaç ve uzlaşı ağacı) ve düğümlerin sonsal olasılıkları hesaplanır.
Bir kladın (bir ata ile bütün torunlarının oluşturduğu grup) sonsal olasılığı, o kladı içeren örnek ağaçların oranıdır:
- Pay ve payda, yakma (burn-in) atıldıktan sonra bütün bağımsız çalıştırmaların birleşik örnekleminde sayılır.
- Bu oran ancak zincirler durağan dağılıma ulaşmış ve onu yeterince dolaşmışsa sonsal olasılığın tutarlı bir kestirimidir; yakınsama ölçütleri bu koşulu denetler.
Şablonun üç girdi yolu vardır: (1) her satırı bir sonsal örnek olan veri tablosu; (2) MrBayes'in .p/.t ya da BEAST'in .log/.trees dosyaları; (3) hizalanmış dizilerden MrBayes'in çalıştırılması ve çıktısının özetlenmesi. Üç yol da aynı özetleme koduna varır.
Ne zaman kullanılır? Bir MrBayes ya da BEAST çözümlemesinin çıktısı varsa ve yayına girecek yakınsama ölçütleri, parametre özetleri ve destekli ağaç isteniyorsa; birden çok bağımsız çalıştırmanın aynı dağılıma varıp varmadığı denetlenecekse; hizalanmış DNA dizilerinden, model seçimi yapıldıktan sonra, standart bir MrBayes çözümlemesi (tek bölüm, nst ve rates ile tanımlı model) yapılacaksa.
Ne zaman kullanılmaz?
- Hızlı bir ağaç ya da yerine koyma modelinin seçimi isteniyorsa:
dizi_filogeni(Bölüm 69); MrBayes'e verileceknstveratesdeğerleri oradaki model seçiminden alınır. - Diziler hizalanmamışsa: önce
dizi_hizalama(Bölüm 70). - Bölümlenmiş model, özel önsel dağılım, moleküler saat ya da amino asit verisi gerekiyorsa: MrBayes dosyası elle hazırlanır, program şablonun dışında çalıştırılır ve çıktı dosya girdisiyle okunur.
- Düğüm yaşları (tarihlendirme) özetlenecekse: şablon BEAST ağaçlarındaki açıklamaları atar; yaşların %95 aralıkları hesaplanmaz.
- Elde yalnız bir ağaç ve tür özellikleri varsa ve soru özelliklerin evrimi ise:
filogenetik_karsilastirmali(Bölüm 72).
Temel programla ilişki. Temel programda filogeni çözümlemesi yoktur. Temel programdaki Bayesçi analizlerin zincir tanıları yalnız kendi zincirleri içindir; dışarıdan okunan bir örneklemi özetleyen tek araç bu şablondur.
67.2 Şablonun girdileri
Form, üstbilgideki 31 [[param]] bloğundan kurulur (bayes_filogeni.R:13–257). Alanlar iki öbekte okunur: özetlemeyi yöneten on beş alan her girdi yolunda etkilidir; on altı alan yalnız "MrBayes'i hizalanmış dizilerle çalıştır" seçildiğinde kullanılır.
Özetleme alanları
| Alan (form etiketi) · ad | Tür · sekme | Varsayılan | Geçerli değerler | Kodda etkisi |
|---|---|---|---|---|
Girdi · kaynak |
seçim · Model | veri |
veri, dosya, mrbayes |
Örneklemin okunacağı yol (266, 291, 311, 316). |
Çalıştırma · kosu |
kategorik sütun · Değişkenler | boş | boş olabilir | Tablo girdisinde bağımsız çalıştırmanın kimliği; boşsa bütün satırlar tek çalıştırma sayılır, ama nesil değerleri yineleniyorsa şablon durur (293–297). |
Nesil · nesil |
sayısal sütun · Değişkenler | boş | boş olabilir | Örneklerin sırası; boşsa satır sırası (295, 302). |
Parametre sütunları · parametreler |
sütunlar (sayısal) · Değişkenler | boş | boş olabilir | Özetlenecek parametreler; boşsa çalıştırma ve nesil dışındaki bütün sayısal sütunlar (298–300). |
Ağaç sütunu (Newick) · agac |
sütun · Değişkenler | boş | boş olabilir | Her satırda bir Newick ağacı (304–308). |
Parametre dosyaları · parametre_dosyalari |
metin · Değişkenler | boş | ; ile ayrılmış yollar |
Dosya girdisinde .p / .log (312, 314). |
Ağaç dosyaları · agac_dosyalari |
metin · Değişkenler | boş | ; ile ayrılmış yollar |
Dosya girdisinde .t / .trees (312, 315). |
Yakma oranı · yakma |
ondalık · Seçenekler | 0,25 | 0–0,9 | Her çalıştırmanın başından atılan örnek oranı (428–431). |
HPD düzeyi · hpd |
ondalık · Seçenekler | 0,95 | 0,5–0,999 | En yüksek sonsal yoğunluk aralığının düzeyi (437, 463). |
ESS eşiği · ess_esigi |
tamsayı · Seçenekler | 200 | 10–100000 | Toplam ESS bunun altındaysa uyarı ve ESS_yeterli = hayır (438, 480, 483–484). |
ASDSF bölünme frekansı eşiği · bolunme_esigi |
ondalık · Gelişmiş | 0,1 | 0–0,5 | En az bir çalıştırmada frekansı bu değere ulaşan bölünmeler ASDSF'ye girer (522–524). |
Köklü ağaç · koklu |
seçim · Model | otomatik | otomatik, evet, hayir |
Kladların mı (köklü) bölünmelerin mi (köksüz) sayılacağı (514–515). |
Dal uzunlukları · dal_uzunlugu |
seçim · Model | ortalama | ortalama, ortanca, ornek |
Özet ağaçların dal uzunlukları (534–536, 541). |
Uzlaşı eşiği · uzlasi_p |
ondalık · Seçenekler | 0,5 | 0,5–1 | Uzlaşı ağacına girecek kladın en küçük sonsal olasılığı (540, 631–634). |
Dış grup (çizim) · dis_grup |
metin · Çıktı | boş | virgülle ayrılmış uç adları | Yalnız şekilde köklendirme; boşsa orta nokta (605–618). |
Ağaç çıktı dosyası · agac_yolu |
metin · Çıktı | boş | dosya yolu | Doluysa iki özet ağaç NEXUS olarak yazılır (564–569). |
Yalnız MrBayes çalıştırılırken kullanılan alanlar
| Alan (form etiketi) · ad | Tür · sekme | Varsayılan | Geçerli değerler | Kodda etkisi |
|---|---|---|---|---|
Dizi sütunu (MrBayes) · dizi |
sütun · Değişkenler | boş | hizalanmış DNA | NEXUS veri bloğu (325–327, 350). |
Takson adı (MrBayes) · takson |
sütun · Değişkenler | boş | boş olabilir | Uç adları; boşsa S1, S2, … (334). |
MrBayes yolu · mrbayes_yolu |
metin · Gelişmiş | boş | dosya yolu | Başka bir MrBayes; boşsa MerQuR+ ile gelen, o da yoksa sistem yolundaki (319–324). |
nst · nst |
seçim · Model | 6 | 1, 2, 6 | lset nst= (383). |
rates · rates |
seçim · Model | invgamma | equal, gamma, propinv, invgamma |
lset rates= (383). |
ngen · ngen |
tamsayı · Model | 100000 | 1000–50000000 | Nesil sayısı (375). |
samplefreq · samplefreq |
tamsayı · Model | 100 | 1–100000 | Örnekleme sıklığı (375). |
nruns · nruns |
tamsayı · Model | 2 | 1–8 | Bağımsız çalıştırma sayısı (375). |
nchains · nchains |
tamsayı · Gelişmiş | 4 | 1–16 | Çalıştırma başına zincir sayısı (biri soğuk) (376). |
printfreq · printfreq |
tamsayı · Gelişmiş | 0 | 0–50000000 | İlerleme satırlarının sıklığı; 0 ise ngen/20, en az 1000 (374). |
Kontrol noktası yaz · kontrol_noktasi |
onay · Seçenekler | kapalı | açık, kapalı | checkpoint=yes; dosyalar kalıcı klasöre (335–344, 377–382). |
checkfreq · checkfreq |
tamsayı · Gelişmiş | 100000 | 1–50000000 | Kontrol noktası sıklığı; samplefreq'in katına yuvarlanır (379–380). |
Önceki çalıştırmaya devam et · devam |
onay · Seçenekler | kapalı | açık, kapalı | append=yes; ngen toplam nesil sayısıdır (352–367, 381). |
MrBayes klasörü · mrbayes_klasoru |
metin · Çıktı | boş | klasör yolu | Dosyaların kalıcı yeri (336–344). |
Çalıştırma adı (MrBayes) · kosu_adi |
metin · Çıktı | mrbayes |
harf, rakam, _ . - |
Kalıcı klasördeki dosya adı (339, 344). |
Örnek ayar (ornek_param, satır 9): kaynak = veri, kosu = kosu, nesil = nesil, agac = agac ve on dört parametre sütunu; öteki alanlar varsayılandadır.
Şablonun kendi denetimleri.
| Koşul | İleti | Satır |
|---|---|---|
| ape, phangorn ya da coda kurulu değil | "'…' R paketi kurulu değil." | 261–262 |
| Tablo girdisi, veri açık değil | "Önce Veri sekmesinde bir veri açın." | 292 |
| Çalıştırma kimliği sütununda eksik değer | "Çalıştırma sütununda eksik değer var." | 294 |
| Okunamayan Newick satırı | "'…' çalıştırmasında okunamayan Newick ağacı var." | 307 |
| Dosya girdisinde hiçbir yol yok | "Dosya girdisinde en az bir parametre (.p/.log) ya da ağaç (.t/.trees) dosyası verilmeli." | 313 |
| Dosya yok ya da okunamıyor | "Dosya bulunamadı: …" / "Parametre dosyası okunamadı …" / "Ağaç dosyası okunamadı …" | 271, 275, 280, 285 |
| Verilen MrBayes yolu yok | "Verilen MrBayes yolu bulunamadı: …" | 320–322 |
| Hiçbir MrBayes bulunamadı | "MrBayes bulunamadı: …" | 323–324 |
| MrBayes girdisinde dizi sütunu yok | "MrBayes için hizalanmış dizi sütunu seçilmeli." | 325 |
| Dizi uzunlukları farklı | "Diziler hizalanmamış (uzunluklar farklı); önce hizalayın." | 327 |
| Kalıcı klasör oluşturulamıyor | "MrBayes klasörü oluşturulamadı: …" | 342–343 |
| Devam edilecek çalıştırma yok | "Devam edilecek çalıştırma bulunamadı (… yok). …" | 353–355 |
| Devam edilecek çalıştırmanın verisi farklı | "Devam edilecek çalıştırmanın verisi bu veriden farklı …" | 360–362 |
Devamda ngen ulaşılan nesilden büyük değil |
"ngen toplam nesil sayısıdır: önceki çalıştırma … nesle ulaştı; daha büyük bir ngen verin." | 365–367 |
| Aynı adla önceki çalıştırma var, devam kapalı | "Bu klasörde aynı çalıştırma adıyla önceki bir MrBayes çalıştırması var (…). …" | 368–370 |
| MrBayes girdisinde boş dizi ya da DNA dışı karakter | "… satırın dizisi boş; …" / "… dizide DNA dışı karakter var ('…'); MrBayes bu dosyayı reddeder. …" | 328–333 |
| MrBayes çıktı dosyası üretmedi | "MrBayes çalıştı ama çıktı dosyası üretmedi. MrBayes'in hata iletileri: …" | 405–410 |
| Okunacak örnek yok | "Okunacak sonsal örnek yok: ne parametre sütunu ne de ağaç sütunu var." | 425 |
| Çalıştırmalarda ortak sayısal parametre yok | "Çalıştırmalarda ortak sayısal parametre yok." | 441 |
| Çalıştırma alanı boş, nesil değerleri yineleniyor | "'Çalıştırma' alanı boş ama nesil sütununda … yinelenen değer var: …" | 296–297 |
| Yakmadan sonra 4'ten az örnek | "Yakmadan sonra çalıştırma başına en az 4 örnek kalmalı; …" | 443 |
| Yakmadan sonra 2'den az ağaç | "Yakmadan sonra çalıştırma başına en az 2 ağaç kalmalı." | 509 |
| Ağaçların uç adları farklı | "Ağaçların uç adları birbirinden farklı; bütün ağaçlar aynı taksonları içermeli." | 512 |
| 4'ten az uç | "Ağaçlarda en az 4 uç olmalı." | 513 |
Tablo girdisinde parametre sütunu yoksa (yalnız ağaç sütunu seçilmişse) parametre özetleri, ESS ve PSRF atlanır ve yalnız ağaçlar özetlenir (424); dosya girdisindeki yalnız ağaç dosyasıyla aynı davranıştır. Parametre sütunu olup çalıştırmalar arasında ortak sayısal parametre bulunmuyorsa şablon durur.
67.3 Örnek veri
Dosya: _ornek/bayes_filogeni_primates_mrbayes.csv. On dört türün (on iki primat, fare ve sığır) 232 bazlık mitokondri DNA hizalamasının (Hayasaka ve ark., 1988; phangorn paketindeki primates verisi; Bölüm 69'un örnek verisi) MrBayes 3.2.9 ile çözümlenmesinden elde edilmiştir. Komut bloğu: lset nst=6 rates=gamma; mcmc ngen=100000 samplefreq=100 nruns=2 nchains=4 (GTR + Γ modeli, iki bağımsız çalıştırma, her birinde biri soğuk dört zincir). Her çalıştırmada 0., 100., …, 100000. nesillerden 1001 örnek vardır; tablo 2002 satırdır, eksik değer yoktur.
| Değişken | Rol | Tür (veri sekmesi) | Özet |
|---|---|---|---|
kosu |
Çalıştırma kimliği | ikili | 1 ve 2; 1001'er satır. |
nesil |
Nesil | sayısal | 0–100000, 100'er aralıkla. |
LnL, LnPr |
Parametre | sayısal | Log-olabilirlik ve log-önsel. |
TL |
Parametre | sayısal | Ağaç uzunluğu (dal uzunluklarının toplamı). |
r_AC … r_GT |
Parametre | sayısal | GTR modelinin altı değişim oranı (toplamları 1). |
pi_A … pi_T |
Parametre | sayısal | Durağan taban frekansları. |
alpha |
Parametre | sayısal | Gama dağılımının biçim parametresi. |
agac |
Ağaç | metin | Dal uzunluklu, köksüz Newick ağacı; 14 uç. |
Çalıştırma kimliği arayüzde ilk görülme sırasıyla (1, 2) işlenir; hesap bu sıraya bağlı değildir. Örnek çözümleme bilerek kısadır: 100000 nesil bu veri için yetmez ve şablonun uyarıları örnek çıktıda görülür.
Bu bölümde kullanılan çalıştırmalar: (1) örnek ayar; (2) yakma 0; 0,10 ve 0,50; (3) HPD %90 ve ortanca dal uzunluğu; (4) dal uzunluğu "seçilen örnekteki"; (5) uzlaşı eşiği 0,95 ve 1; (6) ASDSF eşiği 0; (7) aynı örneklemin MrBayes dosyalarından okunması; (8) yalnız birinci çalıştırma; ikinci çalıştırması 601 örneğe kısaltılmış kopya; satırları karıştırılmış kopya; (9) köklü ve ultrametrik ağaçlardan oluşan kurgusal örneklem (altı uç, iki çalıştırma, 120'şer ağaç); (10) MrBayes'in şablondan çalıştırılması (Bölüm 69'un hizalaması, 20000 nesil; iki ayrı tohumla).
67.4 Yöntem: formüller ve hesap adımları
Hesap sırası: (1) örneklemi oku, çalıştırmalara ayır, nesle göre sırala; (2) her çalıştırmanın başından yakma oranı kadar örneği at; (3) parametreler için ortalama, ortanca, standart sapma, HPD aralığı, iki tanımla ESS ve PSRF; (4) ağaçlar için bölünme frekansları ve ASDSF; (5) en yüksek klad güvenilirlikli ağaç; (6) uzlaşı ağacı; (7) özet ağaçların dal uzunlukları ve düğüm olasılıkları; (8) şekiller.
67.4.1 Yakma
- n_k: k. çalıştırmadaki örnek sayısı; y: yakma oranı; b_k: baştan atılan örnek sayısı.
- Parametre ve ağaç örneklemleri ayrı ayrı, aynı oranla kısaltılır (satır 429–431).
Örnek veride b_k=\lfloor0{,}25\times1001\rfloor=250; her çalıştırmadan 751, toplam 1502 örnek kalır. MrBayes'in kendi özetleri de aynı sayıyı kullanır.
Neden baştaki örnekler atılır, neden %25?
Zincir rastgele bir ağaçtan başlar; ilk nesillerde olabilirlik hızla yükselir ve örnekler sonsal dağılımı değil, başlangıç noktasından uzaklaşmayı gösterir. Örnek veride 0. neslin log-olabilirliği -4341{,}6, 100. neslinki -3306{,}0'dır; durağan düzey -2627 dolayındadır. %25 bir alışkanlıktır (MrBayes'in varsayılanı), kanıt değildir: iz grafiğinde gri bölgenin sağında hâlâ bir eğilim görülüyorsa oran artırılır.
67.4.2 Parametre özetleri ve HPD aralığı
Ortalama, ortanca ve standart sapma, yakma sonrası bütün çalıştırmaların birleşik örnekleminden hesaplanır. En yüksek sonsal yoğunluk (HPD) aralığı, verilen olasılığı taşıyan en dar aralıktır:
- x_{(1)}\le\dots\le x_{(N)}: birleşik örneklemin sıralı değerleri; N: toplam örnek sayısı.
- h: HPD düzeyi; g: aralığın iki ucu arasındaki sıra farkı.
- i^{*}: g sıra farkıyla kurulabilen N-g aralıktan en darının başlangıcı.
Neden eşit kuyruklu aralık değil?
Çarpık dağılımlarda (dal uzunlukları, oranlar, \alpha) eşit kuyruklu aralık, yoğunluğun düşük olduğu uzun kuyruğu içerip yüksek olduğu kısa kuyruktan değer atar. HPD aralığı aynı olasılığı en kısa uzunlukla taşır. Örnek veride ağaç uzunluğunun HPD aralığı [17{,}14;\ 40{,}72], eşit kuyruklu aralığı [18{,}51;\ 43{,}18]'dir.
Koddaki tercih
coda::HPDinterval(mcmc(tum), prob = hpd) (satır 463). Aralık g+1 sıralı değeri kapsar; bu, MrBayes'in kendi özetindeki aralıktan bir değer fazladır. Ortanca stats::median ile hesaplanır (çift sayıda örnekte ortadaki iki değerin ortalaması); MrBayes ortadaki iki değerden birini yazar. Bu iki sıra kuralı yüzünden HPD üst sınırı ve ortanca MrBayes'in sump çıktısından son basamaklarda ayrılabilir; ortalama, varyans ve HPD alt sınırı ayrılmaz (67.6.1).
67.4.3 Etkin örneklem büyüklüğü (ESS)
Ardışık MCMC örnekleri bağımlıdır; n bağımlı örnek, ortalamanın kestiriminde n'den az sayıda bağımsız örnek kadar bilgi taşır:
- \rho_k: k gecikmeli otokorelasyon; \tau: bütünleşik otokorelasyon süresi (bir bağımsız örneğe karşılık gelen ardışık örnek sayısı).
- Sonsuz toplam sonlu bir zincirden doğrudan hesaplanamaz; şablon iki ayrı kestirici kullanır ve ikisini de tabloya yazar.
Birinci tanım (sütun ESS): zincire bir otoregresif model uydurulur ve sıfır frekanstaki spektral yoğunluk bu modelden okunur:
- s^2: zincirin örneklem varyansı (n-1 bölenli).
- \hat\phi_1,\dots,\hat\phi_p: Yule–Walker denklemleriyle kestirilen AR(p) katsayıları; \hat\sigma^2_p: yenilik varyansı.
- p: 0 ile \min(n-1,\lfloor10\log_{10}n\rfloor) arasında, Akaike ölçütünü en küçük yapan derece.
- \hat S(0)=s^2\tau olduğundan iki ESS ifadesi aynı büyüklüğü kestirir.
İkinci tanım (sütun ESS_MrBayes): örneklem öz-ortak varyansları ardışık çiftler hâlinde, çift toplamı pozitif kaldığı sürece toplanır:
- \hat\gamma_k: k gecikmeli öz-ortak varyans (n-k bölenli).
- M: \hat\gamma_{2m-1}+\hat\gamma_{2m}>0 koşulunu sağlayan ardışık çiftlerin sayısı; ilk pozitif olmayan çiftte toplama durur (en çok 2000 gecikme).
Her iki tanımda ESS önce her çalıştırma için ayrı hesaplanır, sonra toplanır (satır 445, 461, 477). Birinci tanımın çalıştırma başına değerleri de ESS_kosu1, ESS_kosu2, … sütunlarında verilir.
Neden iki tanım, hangisi rapor edilir?
İkisi de \tau'yu kestirir, ama farklı varsayımlarla: AR spektrumu zincirin düşük dereceli bir otoregresif süreç gibi davrandığını varsayar; çift toplamı (Geyer, 1992) tersinir zincirlerde ardışık öz-ortak varyans çiftlerinin pozitif olması özelliğine dayanır ve model varsaymaz. Kısa zincirde iki sayı %20–40 ayrışabilir (örnek veride r_GT için 151 ve 91). Şablonun uyarısı birinci tanıma göredir; ikinci tanım MrBayes'in ekranındaki sayıyla karşılaştırma içindir: MrBayes çalıştırmaların ortalamasını yazar (avgESS), şablon toplamını; ESS_MrBayes sütunu çalıştırma sayısına bölünürse avgESS elde edilir. Raporda hangi tanımın kullanıldığı belirtilir.
Neden eşik 200?
ESS 200 iken sonsal ortalamanın Monte Carlo standart hatası sonsal standart sapmanın 1/\sqrt{200}\approx\%7'sidir; yaygın kullanılan sonsal özet programlarının kabul ettiği alt sınır budur (Rambaut ve ark., 2018). Kuyruk olasılıkları ve HPD sınırları için daha büyük ESS gerekir. Eşik formdan değiştirilebilir; şablon eşiği çalıştırmaların toplam ESS'ine uygular.
Koddaki tercih
Birinci tanım coda::effectiveSize(mcmc(…)) çağrısıdır (satır 445); içinde stats::ar(x, aic = TRUE) kullanılır. Zincir sabitse (varyans 0) ESS 0 yazılır. İkinci tanımı şablon kendisi hesaplar (satır 450–461).
67.4.4 Potansiyel ölçek küçültme çarpanı (PSRF)
En az iki çalıştırma varsa, çalıştırmalar arasındaki varyans çalıştırma içi varyansla karşılaştırılır:
- m: çalıştırma sayısı; n: çalıştırma başına (yakma sonrası) örnek sayısı; \bar x_k, s_k^2: k. çalıştırmanın ortalaması ve varyansı.
- W: çalıştırma içi varyansların ortalaması; B/n: çalıştırma ortalamalarının varyansı.
- \hat V: sonsal varyansın, çalıştırmalar farklı yerlerde dolaşıyorsa yukarı doğru yanlı olan kestirimi.
- d: \hat V'nin örnekleme dağılımına yaklaşan t dağılımının serbestlik derecesi; (d+3)/(d+1) düzeltmesi Brooks ve Gelman'ın (1998) önerisidir.
Çalıştırmalar aynı dağılımdan örnekliyorsa \hat V\approx W ve PSRF 1'e yakındır; 1'in belirgin üstündeki değer, zincirler uzatılırsa aralıkların daralacağını söyler. Şablon PSRF 1,01'i aşan bir parametre varsa uyarı yazar (satır 485).
Koddaki tercih
coda::gelman.diag(…, autoburnin = FALSE, multivariate = FALSE)$psrf[, 1] (satır 472). autoburnin = FALSE önemlidir: paketin varsayılanı her zincirin ilk yarısını bir kez daha atar; şablon yakmayı kendisi yaptığı için bunu kapatır. Çalıştırma uzunlukları farklıysa her çalıştırmanın yakma sonrası ilk n_0=\min_k n_k örneği kullanılır (466–469); ortalama, HPD ve ESS ise bütün örneklerle hesaplanır. Varyansı sıfır olan parametreye PSRF yazılmaz.
Bu PSRF, MrBayes'in ekrandaki PSRF'si ile aynı sayı değildir
MrBayes 3.2.9 serbestlik derecesi düzeltmesini uygulamaz ve çalıştırma içi varyansı farklı toplar; sonuç 1'e daha yakındır. Örnek veride ağaç uzunluğu için şablon 1{,}0059, MrBayes 1{,}0036; r_AG için 1{,}0255 ve 1{,}0141 yazar. Düzeltme çarpanı tek başına büyük olabilir: alpha için düzeltmesiz değer 0{,}99995, düzeltmeli değer 1{,}0040'tır (iki çalıştırmayla d küçük çıkabilir). 1,01 eşiği şablonun kendi tanımına göre uygulanır.
67.4.5 Bölünme frekansları ve ASDSF
Köksüz bir ağacın her iç dalı uçları iki kümeye böler (bölünme, bipartition). Şablon her ağacın bölünmelerini çıkarır ve her çalıştırmada her bölünmenin görülme oranını sayar:
- f_{sk}: s bölünmesinin k. çalıştırmadaki frekansı (o çalıştırmanın kendi sonsal olasılık kestirimi).
- \operatorname{SS}_k: çalıştırmalar üzerinden standart sapma (m-1 bölenli); iki çalıştırmada |f_{s1}-f_{s2}|/\sqrt2.
- e: bölünme frekansı eşiği (varsayılan 0,10); S: en az bir çalıştırmada frekansı eşiğe ulaşan bölünmeler.
Bölünme, tablolarda iki yanından biriyle adlandırılır: alfabetik sırada ilk gelen ucu içermeyen yanın uç adları | ile birleştirilir (satır 493–501). Örnek veride alfabetik ilk uç BarbMacaq olduğundan dört makak türünün oluşturduğu grup, tabloda öteki on türün listesi olarak görünür.
Neden 0,10 eşiği ve 0,01 ölçütü?
Çok seyrek bölünmelerin frekansı her çalıştırmada sıfıra yakındır ve standart sapmaları da küçüktür; ortalamaya katılmaları ASDSF'yi yapay olarak düşürür. Eşik bunları dışarıda tutar (MrBayes'in minpartfreq ayarı; Lakner ve ark., 2008). 0,01'in altı, çalıştırmaların topoloji dağılımında uzlaştığının yaygın kabul gören göstergesidir; 0,01–0,05 arası "kabul edilebilir ama uzatmak iyi olur" diye okunur. Şablon 0,01'in altında "çalıştırmalar yakınsamış", üstünde "henüz yakınsamamış olabilir" yazar (satır 525–529).
67.4.6 En yüksek klad güvenilirlikli (MCC) ağaç
Birleşik örneklemdeki her ağaca, içerdiği bölünmelerin (köklü ağaçlarda kladların) birleşik frekanslarının çarpımı puan olarak verilir; puanı en yüksek olan örnek ağaç seçilir:
- T: örneklemdeki bir ağaç; toplam, ağacın bilgi taşıyan bütün iç dalları üzerindendir.
- \hat P_s: s'nin birleşik örneklemdeki sonsal olasılık kestirimi; N: yakma sonrası toplam ağaç sayısı.
- \ln C: log klad güvenilirliği; çıktıda "MCC log klad güvenilirliği".
MCC ağacı örneklemde gerçekten bulunan, tümüyle çözülmüş (ikili) bir ağaçtır. En yüksek puanı birden çok örnek ağaç paylaşıyorsa (aynı topoloji) ilki seçilir; çıktıdaki "MCC ağacının sırası" birleşik örneklemdeki bu sıradır.
Koddaki tercih
phangorn::maxCladeCred(tum_a, tree = FALSE, rooted = kok) puanları verir (satır 531); seçim which.max iledir (532). "Köklü ağaç" alanı otomatik iken birleşik örneklemin ilk 20 ağacına bakılır: hepsi köklü ve ultrametrikse kladlar, değilse bölünmeler sayılır (514–515). MrBayes'in saat modeli olmayan ağaçları köksüzdür; BEAST ağaçları köklü ve ultrametriktir. Düğümlerin sonsal olasılıkları ape::prop.clades ile sayılır ve iki ondalıkla düğüm etiketine yazılır (538–539).
67.4.7 Uzlaşı ağacı ve dal uzunlukları
Uzlaşı ağacı, birleşik frekansı eşiği aşan bütün bölünmelerden kurulur:
- p: uzlaşı eşiği. 0,5 yarı çoğunluk kuralıdır (Margush ve McMorris, 1981); 1 katı uzlaşıdır (bütün ağaçlarda bulunan bölünmeler).
- Frekansı yarıyı aşan bölünmeler birbiriyle çelişemez; ağaç her zaman kurulabilir, ama desteği eşiğin altında kalan yerlerde çok dallı düğümler (çözülmemiş ilişkiler) içerir.
Özet ağaçların dal uzunlukları, o dalı (bölünmeyi) içeren örnek ağaçlardaki uzunlukların ortalaması ya da ortancasıdır:
- \ell_s(T): T ağacında s bölünmesini taşıyan dalın uzunluğu; ortalama yalnız s'yi içeren ağaçlar üzerindendir.
- Uç dalları her ağaçta bulunduğundan bütün örneklem üzerinden ortalanır.
- Köklü ağaçlarda ortalanan büyüklük düğüm yüksekliğidir; dal uzunluğu iki yüksekliğin farkıdır.
Koddaki tercih
ape::consensus(tum_a, p = uzlasi_p, rooted = kok) (satır 540); paket p=0{,}5 değerini 0{,}5000001 olarak uygular, yani tam yarı frekanslı bölünme ağaca girmez. Dal uzunlukları phangorn::add_edge_length(…, fun = ortalama | ortanca) iledir (536–543). Ortalama ya da ortanca hesaplanamazsa (köklü sayım köksüz ağaçlara uygulanmışsa) şablon bunu not olarak yazar (542–546). "Seçilen örnekteki" seçeneği MCC ağacında seçilen örnek ağacın kendi dal uzunluklarını bırakır; uzlaşı ağacı bir örnek ağaç olmadığından bu seçenekte ortalama kullanılır. Ağaçlar Newick metni olarak tabloya, istenirse NEXUS dosyasına yazılır.
Sonsal olasılığı düşük dalın uzunluğu az sayıda ağaçtan gelir
MCC ağacı çözülmüş olduğundan düşük destekli dallar da içerir. Örnek veride {Bovine, Lemur} dalının sonsal olasılığı 0{,}39'dur; ortalama uzunluğu (1{,}011) 1502 ağacın yalnız 588'inden hesaplanır. Bu tür dalların uzunluğu yorumlanmaz; uzlaşı ağacı aynı yeri üçlü bir çatal olarak gösterir.
67.4.8 MrBayes'in şablondan çalıştırılması
Girdi "MrBayes'i hizalanmış dizilerle çalıştır" ise şablon dizilerden bir NEXUS dosyası yazar, sonuna aşağıdaki bloğu ekler ve MrBayes'i ayrı bir program olarak çağırır (satır 350–401):
begin mrbayes;
set autoclose=yes nowarn=yes seed=… swapseed=…;
lset nst=… rates=…;
mcmc ngen=… samplefreq=… nruns=… nchains=… printfreq=… diagnfreq=…;
end;
nst |
rates |
Model |
|---|---|---|
| 1 | equal |
F81 (taban frekansları serbest, tek değişim hızı) |
| 2 | equal |
HKY |
| 6 | equal |
GTR |
| herhangi | gamma |
+ Γ (dört sınıflı kesikli gama) |
| herhangi | propinv |
+ I (değişmez konum oranı) |
| herhangi | invgamma |
+ I + Γ (formun varsayılanı) |
MrBayes'in öteki bütün ayarları kendi varsayılanındadır (düz Dirichlet önselleri, dal uzunluklarında bileşik Dirichlet önseli, ısıtma sıcaklığı 0,1). Taban frekansları her zaman serbesttir; eşit frekanslı modeller (JC, K80, SYM) formdan kurulamaz.
MrBayes'in iki tohumu (seed, swapseed) R'nin rastgele sayı üretecinden çekilir (satır 373). Şablon formunda tohum alanı yoktur; tohum Kod panelindeki Tohum alanından verilir (Bölüm 1.3). Alan boşsa MerQuR+ her çalıştırmaya yeni bir tohum atar; kullanılan tohumu künyeye yazar ve betik adımına kaydeder; kayıtlı adım yeniden oynatıldığında aynı iki tohum çekilir ve MrBayes aynı örneklemi üretir. Kullanılan tohumlar sonuç metnine yazılır. Bölüm 69'un hizalamasıyla, 20000 nesil ve 2026 tohumuyla iki ayrı çalıştırma aynı sonucu vermiştir (seed=853315193 swapseed=601901350; ASDSF 0{,}02727); 7 tohumuyla ASDSF 0{,}03512'dir.
Program satır satır izlenir; ilerleme iletileri (nesil, log-olabilirlikler, kalan süre) çalışma sırasında Kod konsolunda görünür. Çalışma bitince .p ve .t dosyaları okunur ve özetleme dosya girdisindeki gibi sürer. Takson adları R'nin ad kurallarına uydurulur: boşluk ve tire nokta olur (Squir Monk → Squir.Monk, Crab-E.Mac → Crab.E.Mac); çizim dış grubu bu adlarla yazılır.
Uzun çalıştırmalar. "Kontrol noktası yaz" açıkken dosyalar kalıcı bir klasöre (verilmezse Belgeler altındaki MerQuRPlus\mrbayes) çalıştırma adıyla yazılır ve MrBayes checkfreq nesilde bir durumunu kaydeder. Kesilen bir çalıştırma, aynı klasör ve adla "Önceki çalıştırmaya devam et" işaretlenerek sürdürülür; bu durumda ngen toplam nesil sayısıdır ve veri ile nruns, nchains değişmemiş olmalıdır. Bu şablonun zaman sınırı yedi güne kadar artırılabilir; ngen bir milyonu aşınca form bunu hatırlatır.
67.5 Kod adım adım
| Satırlar | Ne yapar | Neden / dikkat |
|---|---|---|
| 1–258 | Üstbilgi: kimlik, açıklama, örnek veri ve ayar, zaman sınırı, 31 parametre. | Form buradan kurulur (Bölüm 1.2). |
| 259–288 | Dil yardımcısı, paket denetimi, yol ayırıcı; iz_oku (sekmeyle ayrılmış .p/.log; # ve [ ile başlayan satırlar atlanır), agac_oku ([&…] açıklamaları silinir; NEXUS ya da Newick). |
İlk sütun her zaman nesil sayılır. BEAST ağaçlarındaki düğüm açıklamaları (yaş aralıkları, hızlar) okunmaz. |
| 290–310 | Tablo girdisi: çalıştırmalara ayırma, nesle göre sıralama, parametre ve ağaç listeleri. | Satır sırası sonucu etkilemez (karıştırılmış kopyada bütün değerler aynıdır). Çalıştırma kimliği boşsa bütün satırlar tek zincir sayılır; nesil değerleri yineleniyorsa şablon durur. |
| 311–315 | Dosya girdisi: yollar ; ile ayrılır; çalıştırmalar verilen sırayla 1, 2, … adını alır. |
Parametre adları dosyadaki gibidir (lnLike, r(A<->C)). |
| 316–422 | MrBayes girdisi: programın bulunması, NEXUS yazımı, devam ve kontrol noktası denetimleri, komut bloğu, çağrı, çıktı dosyalarının okunması, atıf. | Program bulunamazsa ya da çıktı üretmezse çevrilmiş iletiyle durur. |
| 427–434 | Yakma ve başlık satırı. | |
| 436–489 | Parametre özetleri, iki ESS, PSRF; uyarılar; "Çalıştırmalar" tablosu. | Sayısal olmayan sütunlar özetlenmez. |
| 491–505 | bolunmeler: bir ağacın bölünmelerini (ya da kladlarını) uç adlarından kurulan anahtarlarla verir; bol_say: frekans tablosu. |
Anahtar, alfabetik ilk ucu içermeyen yandır. |
| 506–570 | Uç adı ve sayısı denetimleri; köklülük kararı; ASDSF; MCC; dal uzunlukları; uzlaşı; özet, frekans ve Newick tabloları; NEXUS dosyası. | Frekans tablosu en çok 200 satırdır. |
| 572–638 | Şekiller: iz grafikleri ve sonsal yoğunluklar (ilk dört parametre), iki çalıştırmanın bölünme frekansları, MCC ve uzlaşı ağaçları. | Ağaçlar yalnız çizim için köklendirilir; tablolardaki Newick metinleri değişmez. |
67.6 Elle hesap: örnek veride bağımsız yeniden hesap
Ara değerler dogrulama/bayes_filogeni/elle_hesap.py ile, coda, phangorn ve ape kullanılmadan hesaplanmıştır: AR katsayıları Levinson–Durbin yinelemesiyle, bölünmeler Newick metnini ayrıştıran ayrı bir kodla. R tarafında (r_dogrulama.R) aynı büyüklükler yine bu paketler olmadan, stats::ar.yw ve açık formüllerle bulunmuştur. Adımlar ağaç uzunluğu (TL) parametresi üzerinden gösterilir.
Adım 1 — Yakma. Her çalıştırmada 1001 örnek; \lfloor0{,}25\times1001\rfloor=250 örnek atılır, 751 kalır. Birleşik örneklem N=1502.
Adım 2 — Ortalama, ortanca, standart sapma. Çalıştırma ortalamaları 27{,}9194 ve 28{,}7488; birleşik ortalama 28{,}3341, ortanca 27{,}5349, standart sapma 6{,}3798.
Adım 3 — HPD. g=\operatorname{round}(1502\times0{,}95)=1427; 1502-1427=75 aday aralık vardır. En darı sıralı örneklemin 8. değerinde başlar: [17{,}1376;\ 40{,}7152], genişlik 23{,}578.
Adım 4 — ESS, AR spektrumuyla. Birinci çalıştırmada s^2=40{,}157; Akaike ölçütü AR(10) seçer; \hat S(0)=329{,}94.
Toplam 200'ün altındadır; şablon TL için uyarı yazar.
Adım 5 — ESS, çift toplamıyla. Birinci çalıştırmada \hat\gamma_0=40{,}104; ardışık 15 çift (30. gecikmeye kadar) pozitiftir ve payda 330{,}55'e ulaşır (\tau=8{,}24): 751\times40{,}104/330{,}55=91{,}11. İkinci çalıştırmada 12 çiftle 87{,}77. Toplam 178{,}88; ikiye bölünürse MrBayes'in avgESS değeri olan 89{,}44 bulunur.
Adım 6 — PSRF. s_1^2=40{,}157, s_2^2=40{,}957:
\sqrt{\hat V/W}=1{,}00568; d=4863{,}2 ve düzeltme çarpanı 1{,}00041 ile \text{PSRF}=\sqrt{1{,}00041\times41{,}0193/40{,}5574}=1{,}00589.
Adım 7 — Bölünmeler ve ASDSF. 1502 ağaçta 73 farklı bölünme görülür; 19'unun frekansı en az bir çalıştırmada 0,10'a ulaşır. Örnek: {Bovine, Lemur, Tarsier} birinci çalıştırmada 751 ağacın 532'sinde (0{,}7084), ikincide 471'inde (0{,}6272) bulunur; standart sapma |0{,}7084-0{,}6272|/\sqrt2=0{,}0574 (en büyük değer). On dokuz standart sapmanın toplamı 0{,}32389; \text{ASDSF}=0{,}32389/19=0{,}01705. Eşik 0 alınırsa 73 bölünmenin ortalaması 0{,}00771'e düşer.
Adım 8 — MCC ağacı. 1502 ağaç 470 farklı topolojiye dağılır. En yüksek puanlı topolojinin on bir iç dalının birleşik frekansları: 0{,}9993; 0{,}9807; 0{,}9647; 0{,}8708; 0{,}8628; 0{,}8356; 0{,}7723; 0{,}7337; 0{,}6678; 0{,}5812; 0{,}3915. Logaritmalarının toplamı -2{,}9739'dur (çarpım 0{,}0511). Bu topolojiyi 84 örnek ağaç taşır; ilki birleşik örneklemin 1. ağacıdır. En düşük sonsal olasılık 0{,}3915'tir ({Bovine, Lemur}).
Adım 9 — Dal uzunlukları ve uzlaşı. {Chimp, Human} dalını içeren 1473 ağaçta bu dalın ortalama uzunluğu 0{,}22795; Human uç dalının 1502 ağaçtaki ortalaması 0{,}14457; Mouse uç dalınınki 6{,}0583'tür. MCC ağacının 25 dalının toplamı 29{,}017'dir. Frekansı 0,5'i aşan on bölünme uzlaşı ağacını kurar ({Bovine, Lemur} giremez; Bovine, Lemur ve Tarsier üçlü çatal olur); dal uzunlukları toplamı 28{,}006'dır.
67.6.1 Doğrulama: MerQuR+, Python ve R
MerQuR+ sütunu şablonun tablolarından tam hassasiyetle alınmıştır (çalıştırmalar 1–3).
| Büyüklük | MerQuR+ | Python (bağımsız) | R (bağımsız) | En büyük fark | |
|---|---|---|---|---|---|
LnL: ortalama |
−2627,50546005 | −2627,50546005 | −2627,50546005 | 8,7e−16 | ✓ |
LnL: ortanca |
−2627,1675 | −2627,1675 | −2627,1675 | 0 | ✓ |
LnL: SS |
4,45927736 | 4,45927736 | 4,45927736 | 6,0e−16 | ✓ |
LnL: HPD alt |
−2636,676 | −2636,676 | −2636,676 | 0 | ✓ |
LnL: HPD üst |
−2619,833 | −2619,833 | −2619,833 | 0 | ✓ |
LnL: ESS |
683,83442189 | 683,83442189 | 683,83442189 | 3,3e−16 | ✓ |
LnL: ESS (çift toplamı) |
548,8557555 | 548,8557555 | 548,8557555 | 2,3e−15 | ✓ |
LnL: PSRF |
1,00085645 | 1,00085645 | 1,00085645 | 3,3e−13 | ✓ |
TL: ortalama |
28,33411005 | 28,33411005 | 28,33411005 | 1,0e−15 | ✓ |
TL: ortanca |
27,534865 | 27,534865 | 27,534865 | 0 | ✓ |
TL: SS |
6,37984723 | 6,37984723 | 6,37984723 | 1,4e−16 | ✓ |
TL: HPD alt |
17,1376 | 17,1376 | 17,1376 | 0 | ✓ |
TL: HPD üst |
40,71523 | 40,71523 | 40,71523 | 0 | ✓ |
TL: ESS |
186,16195003 | 186,16195003 | 186,16195003 | 4,6e−16 | ✓ |
TL: ESS (çift toplamı) |
178,87934992 | 178,87934992 | 178,87934992 | 1,4e−15 | ✓ |
TL: PSRF |
1,00588546 | 1,00588546 | 1,00588546 | 4,4e−16 | ✓ |
r_AG: ortalama |
0,63027663 | 0,63027663 | 0,63027663 | 2,2e−16 | ✓ |
r_AG: ortanca |
0,6318204 | 0,6318204 | 0,6318204 | 0 | ✓ |
r_AG: SS |
0,06209697 | 0,06209697 | 0,06209697 | 3,5e−17 | ✓ |
r_AG: HPD alt |
0,5027312 | 0,5027312 | 0,5027312 | 0 | ✓ |
r_AG: HPD üst |
0,7419567 | 0,7419567 | 0,7419567 | 0 | ✓ |
r_AG: ESS |
96,82868894 | 96,82868894 | 96,82868894 | 3,2e−15 | ✓ |
r_AG: ESS (çift toplamı) |
72,09085553 | 72,09085553 | 72,09085553 | 3,9e−16 | ✓ |
r_AG: PSRF |
1,02549296 | 1,02549296 | 1,02549296 | 8,7e−16 | ✓ |
alpha: ortalama |
2,33700098 | 2,33700098 | 2,33700098 | 1,3e−15 | ✓ |
alpha: ortanca |
2,2329415 | 2,2329415 | 2,2329415 | 0 | ✓ |
alpha: SS |
0,66052714 | 0,66052714 | 0,66052714 | 2,2e−16 | ✓ |
alpha: HPD alt |
1,17978 | 1,17978 | 1,17978 | 0 | ✓ |
alpha: HPD üst |
3,567235 | 3,567235 | 3,567235 | 0 | ✓ |
alpha: ESS |
420,69922413 | 420,69922413 | 420,69922413 | 1,4e−16 | ✓ |
alpha: ESS (çift toplamı) |
362,45883828 | 362,45883828 | 362,45883828 | 0 | ✓ |
alpha: PSRF |
1,00402316 | 1,00402316 | 1,00402316 | 3,1e−15 | ✓ |
LnPr: ESS |
224,68733921 | 224,68733921 | 224,68733921 | 1,4e−15 | ✓ |
LnPr: PSRF |
1,00662888 | 1,00662888 | 1,00662888 | 1,3e−15 | ✓ |
r_AC: ESS |
142,79558637 | 142,79558637 | 142,79558637 | 2,4e−15 | ✓ |
r_AC: PSRF |
1,00142111 | 1,00142111 | 1,00142111 | 4,9e−15 | ✓ |
r_AT: ESS |
173,72790048 | 173,72790048 | 173,72790048 | 1,8e−15 | ✓ |
r_AT: PSRF |
1,0002771 | 1,0002771 | 1,0002771 | 4,4e−15 | ✓ |
r_CG: ESS |
113,74877003 | 113,74877003 | 113,74877003 | 7,5e−16 | ✓ |
r_CG: PSRF |
1,00811577 | 1,00811577 | 1,00811577 | 4,4e−15 | ✓ |
r_CT: ESS |
120,51853247 | 120,51853247 | 120,51853247 | 2,4e−15 | ✓ |
r_CT: PSRF |
1,0149716 | 1,0149716 | 1,0149716 | 2,6e−15 | ✓ |
r_GT: ESS |
151,1176264 | 151,1176264 | 151,1176264 | 1,9e−16 | ✓ |
r_GT: PSRF |
1,01234319 | 1,01234319 | 1,01234319 | 3,1e−15 | ✓ |
pi_A: ESS |
279,85720127 | 279,85720127 | 279,85720127 | 2,4e−15 | ✓ |
pi_A: PSRF |
1,001143 | 1,001143 | 1,001143 | 1,3e−15 | ✓ |
pi_C: ESS |
303,70012286 | 303,70012286 | 303,70012286 | 0 | ✓ |
pi_C: PSRF |
0,99978934 | 0,99978934 | 0,99978934 | 3,3e−16 | ✓ |
pi_G: ESS |
485,05805923 | 485,05805923 | 485,05805923 | 2,3e−16 | ✓ |
pi_G: PSRF |
1,00184515 | 1,00184515 | 1,00184515 | 2,4e−15 | ✓ |
pi_T: ESS |
401,18485884 | 401,18485884 | 401,18485884 | 2,8e−16 | ✓ |
pi_T: PSRF |
1,0045122 | 1,0045122 | 1,0045122 | 4,0e−15 | ✓ |
TL: ESS, 1. çalıştırma |
91,40588179 | 91,40588179 | 91,40588179 | 4,7e−16 | ✓ |
TL: ESS, 2. çalıştırma |
94,75606824 | 94,75606824 | 94,75606824 | 4,5e−16 | ✓ |
| Ağaç sayısı (yakma sonrası) | 1502 | 1502 | 1502 | 0 | ✓ |
| MCC ağacının sırası | 1 | 1 | 1 | 0 | ✓ |
| MCC log klad güvenilirliği | −2,97385514 | −2,97385514 | −2,97385514 | 1,0e−15 | ✓ |
| MCC'deki en düşük sonsal olasılık | 0,39147803 | 0,39147803 | 0,39147803 | 2,8e−16 | ✓ |
| Benzersiz topoloji sayısı | 470 | 470 | 470 | 0 | ✓ |
| ASDSF | 0,01704708 | 0,01704708 | 0,01704708 | 4,5e−17 | ✓ |
| ASDSF'ye giren bölünme sayısı | 19 | 19 | 19 | 0 | ✓ |
| {Chimp, Human} bölünmesi: frekans, 1. çalıştırma | 0,98135819 | 0,98135819 | 0,98135819 | 1,1e−16 | ✓ |
| {Chimp, Human} bölünmesi: frekans, 2. çalıştırma | 0,98002663 | 0,98002663 | 0,98002663 | 3,3e−16 | ✓ |
| {Chimp, Human} bölünmesi: çalıştırmalar arası SS | 9,415536·10−4 | 9,415536·10−4 | 9,415536·10−4 | 5,1e−17 | ✓ |
| {Jpn_Macaq, Rhesus_Mac} bölünmesi: frekans, 1. çalıştırma | 0,83754993 | 0,83754993 | 0,83754993 | 2,2e−16 | ✓ |
| {Jpn_Macaq, Rhesus_Mac} bölünmesi: frekans, 2. çalıştırma | 0,88814913 | 0,88814913 | 0,88814913 | 2,2e−16 | ✓ |
| {Jpn_Macaq, Rhesus_Mac} bölünmesi: çalıştırmalar arası SS | 0,03577904 | 0,03577904 | 0,03577904 | 6,9e−18 | ✓ |
| {Bovine, Lemur, Tarsier} bölünmesi: frekans, 1. çalıştırma | 0,70838881 | 0,70838881 | 0,70838881 | 2,2e−16 | ✓ |
| {Bovine, Lemur, Tarsier} bölünmesi: frekans, 2. çalıştırma | 0,62716378 | 0,62716378 | 0,62716378 | 3,3e−16 | ✓ |
| {Bovine, Lemur, Tarsier} bölünmesi: çalıştırmalar arası SS | 0,05743477 | 0,05743477 | 0,05743477 | 1,4e−17 | ✓ |
| {Bovine, Lemur} bölünmesi: frekans, 1. çalıştırma | 0,38482024 | 0,38482024 | 0,38482024 | 1,1e−16 | ✓ |
| {Bovine, Lemur} bölünmesi: frekans, 2. çalıştırma | 0,39813582 | 0,39813582 | 0,39813582 | 5,0e−16 | ✓ |
| {Bovine, Lemur} bölünmesi: çalıştırmalar arası SS | 0,00941554 | 0,00941554 | 0,00941554 | 4,3e−17 | ✓ |
| MCC ağacı: dal uzunlukları toplamı (ortalama) | 29,01669317 | 29,01669317 | 29,01669317 | 5,7e−12 | ✓ |
| Uzlaşı ağacı: dal uzunlukları toplamı | 28,00589643 | 28,00589643 | 28,00589643 | 1,5e−12 | ✓ |
| MCC ortalama dal uzunluğu: {Chimp, Human} iç dalı | 0,22794909 | 0,22794909 | 0,22794909 | 3,3e−11 | ✓ |
| MCC ortalama dal uzunluğu: Human uç dalı | 0,14457268 | 0,14457268 | 0,14457268 | 1,1e−11 | ✓ |
| MCC ortalama dal uzunluğu: {Bovine, Lemur} iç dalı | 1,01079674 | 1,01079674 | 1,01079674 | 1,2e−10 | ✓ |
| MCC dallarında en büyük uzunluk farkı (25 dal) | 0 | 4,756828·10−10 | 4,756799·10−10 | 4,8e−10 | ✓ |
| Uzlaşı ağacındaki iç dal sayısı | 10 | 10 | 10 | 0 | ✓ |
Yakma 0,10; %90: TL ortalama |
28,17924743 | 28,17924743 | 28,17924743 | 1,4e−15 | ✓ |
Yakma 0,10; %90: TL HPD alt |
17,89638 | 17,89638 | 17,89638 | 0 | ✓ |
Yakma 0,10; %90: TL HPD üst |
36,9726 | 36,9726 | 36,9726 | 0 | ✓ |
Yakma 0,10; %90: TL ESS |
237,04450635 | 237,04450635 | 237,04450635 | 1,6e−15 | ✓ |
Yakma 0,10; %90: TL ESS (çift toplamı) |
226,69425652 | 226,69425652 | 226,69425652 | 8,8e−16 | ✓ |
Yakma 0,10; %90: TL PSRF |
1,00269161 | 1,00269161 | 1,00269161 | 4,4e−16 | ✓ |
Yakma 0,10; %90: alpha ortalama |
2,32662212 | 2,32662212 | 2,32662212 | 5,7e−16 | ✓ |
Yakma 0,10; %90: alpha HPD alt |
1,351492 | 1,351492 | 1,351492 | 0 | ✓ |
Yakma 0,10; %90: alpha HPD üst |
3,300221 | 3,300221 | 3,300221 | 0 | ✓ |
Yakma 0,10; %90: alpha ESS |
453,88372122 | 453,88372122 | 453,88372122 | 1,0e−15 | ✓ |
Yakma 0,10; %90: alpha ESS (çift toplamı) |
422,25569888 | 422,25569888 | 422,25569888 | 1,3e−16 | ✓ |
Yakma 0,10; %90: alpha PSRF |
1,00136549 | 1,00136549 | 1,00136549 | 8,9e−16 | ✓ |
| Yakma 0,10: ağaç sayısı | 1802 | 1802 | 1802 | 0 | ✓ |
| Yakma 0,10: ASDSF | 0,01581996 | 0,01581996 | 0,01581996 | 2,8e−17 | ✓ |
| Yakma 0,10: MCC log klad güvenilirliği | −2,94851537 | −2,94851537 | −2,94851537 | 4,5e−16 | ✓ |
| Yakma 0,10: MCC dal uzunlukları toplamı (ortanca) | 27,10299738 | 27,10299738 | 27,10299738 | 0 | ✓ |
| Yakma 0,10: uzlaşı dal uzunlukları toplamı (ortanca) | 26,22543918 | 26,22543918 | 26,22543918 | 0 | ✓ |
Yakma 0: LnL ortalama |
−2636,76587413 | −2636,76587413 | −2636,76587413 | 1,6e−15 | ✓ |
Yakma 0: LnL ESS |
192,18386728 | 192,18386728 | 192,18386728 | 3,0e−16 | ✓ |
Yakma 0: LnL PSRF |
1,00322151 | 1,00322151 | 1,00322151 | 1,3e−15 | ✓ |
Yakma 0,50: LnL ortalama |
−2627,49266168 | −2627,49266168 | −2627,49266168 | 1,4e−15 | ✓ |
Yakma 0,50: LnL ESS |
466,02256781 | 466,02256781 | 466,02256781 | 7,3e−16 | ✓ |
Yakma 0,50: LnL PSRF |
1,00236352 | 1,00236352 | 1,00236352 | 5,8e−13 | ✓ |
| Yakma 0,50: ASDSF | 0,01485675 | 0,01485675 | 0,01485675 | 1,4e−17 | ✓ |
Ölçütü karşılayan: 104/104. Python: numpy ile açık formüller (Levinson–Durbin ile AR spektrumu, kendi Newick ayrıştırıcısı ve bölünme sayımı). R: coda ve phangorn kullanılmadan (stats::ar.yw, açık Gelman–Rubin formülü, kenar matrisinden bölünme sayımı). Ağaç uzunlukları şablonun Newick metninden okunmuştur (10 anlamlı basamak).
Örnek veri bir MrBayes çözümlemesi olduğundan şablonun sonuçları, MrBayes'in aynı örneklem için kendi ürettiği özet dosyalarıyla (sump ve sumt komutlarının .pstat, .tstat, .vstat çıktıları) da karşılaştırılmıştır. Örneklemin MrBayes dosyalarından okunması (çalıştırma 7) tablo girdisiyle aynı sonuçları verir.
| Büyüklük | MerQuR+ | MrBayes 3.2.9 | Göreli fark | Durum |
|---|---|---|---|---|
TL: ortalama |
28,33411005 | 28,33411 | 1,6e−9 | aynı |
TL: varyans (SS²) |
40,7024507 | 40,70245 | 1,7e−8 | aynı |
TL: HPD alt |
17,1376 | 17,1376 | 0 | aynı |
TL: HPD üst |
40,71523 | 40,69479 | 5,0e−4 | tanım farkı |
TL: ortanca |
27,534865 | 27,53938 | 1,6e−4 | tanım farkı |
TL: ESS (çift toplamı) / 2 ↔ avgESS |
89,43967496 | 89,43967 | 5,5e−8 | aynı |
TL: PSRF |
1,00588546 | 1,003582 | 2,3e−3 | tanım farkı |
r_AG: ortalama |
0,63027663 | 0,6302766 | 4,8e−8 | aynı |
r_AG: varyans (SS²) |
0,00385603 | 0,00385603 | 1,2e−7 | aynı |
r_AG: HPD alt |
0,5027312 | 0,5027312 | 0 | aynı |
r_AG: HPD üst |
0,7419567 | 0,73928 | 3,6e−3 | tanım farkı |
r_AG: ortanca |
0,6318204 | 0,6318204 | 0 | aynı |
r_AG: ESS (çift toplamı) / 2 ↔ avgESS |
36,04542776 | 36,04543 | 6,2e−8 | aynı |
r_AG: PSRF |
1,02549296 | 1,014142 | 1,1e−2 | tanım farkı |
alpha: ortalama |
2,33700098 | 2,337001 | 6,8e−9 | aynı |
alpha: varyans (SS²) |
0,43629611 | 0,4362961 | 1,7e−8 | aynı |
alpha: HPD alt |
1,17978 | 1,17978 | 0 | aynı |
alpha: HPD üst |
3,567235 | 3,560696 | 1,8e−3 | tanım farkı |
alpha: ortanca |
2,2329415 | 2,233736 | 3,6e−4 | tanım farkı |
alpha: ESS (çift toplamı) / 2 ↔ avgESS |
181,22941914 | 181,2294 | 1,1e−7 | aynı |
alpha: PSRF |
1,00402316 | 0,9997317 | 4,3e−3 | tanım farkı |
pi_G: ortalama |
0,0404735 | 0,0404735 | 4,6e−8 | aynı |
pi_G: varyans (SS²) |
1,758060·10−5 | 1,758060·10−5 | 5,8e−8 | aynı |
pi_G: HPD alt |
0,0322693 | 0,0322693 | 0 | aynı |
pi_G: HPD üst |
0,04814899 | 0,04814899 | 0 | aynı |
pi_G: ortanca |
0,04011224 | 0,04011228 | 1,1e−6 | tanım farkı |
pi_G: ESS (çift toplamı) / 2 ↔ avgESS |
138,26977771 | 138,2698 | 1,6e−7 | aynı |
pi_G: PSRF |
1,00184515 | 1,000934 | 9,1e−4 | tanım farkı |
| 12 parametre, ortalama: en büyük göreli fark | — | — | 1,9e−7 | aynı |
| 12 parametre, varyans: en büyük göreli fark | — | — | 2,0e−7 | aynı |
| 12 parametre, ESS (çift toplamı) / 2 ↔ avgESS: en büyük göreli fark | — | — | 3,5e−7 | aynı |
| 12 parametre, HPD alt: en büyük göreli fark | — | — | 0 | aynı |
| 19 bölünme, ortalama frekans: en büyük mutlak fark | — | — | 4,0e−8 | aynı |
| 19 bölünme, çalıştırmalar arası SS: en büyük mutlak fark | — | — | 3,6e−9 | aynı |
| ASDSF (19 bölünmenin SS ortalaması) | 0,01704708 | 0,01704708 | 3,8e−9 | aynı |
| Uzlaşı ağacı, 24 dalın ortalama uzunluğu: en büyük göreli fark | — | — | 3,7e−7 | aynı |
Tanımı aynı olan büyüklüklerde eşleşen: 24/24 (MrBayes dosyaları 7 anlamlı basamak yazar; ölçüt göreli fark ≤ 5·10−7). "Tanım farkı" satırları 67.4'te açıklanan sıra kuralı ve PSRF tanımı farklarıdır.
67.7 Çıktıyı okuma
Örnek ayarın konsol metni:
Bayesçi filogeni özeti: 2 çalıştırma (parametre), 2 çalıştırma (ağaç); yakma oranı 0,25
Uyarı: ESS < 200 olan parametreler: TL, r_AC, r_AG, r_AT, r_CG, r_CT, r_GT. Zinciri uzatın ya da örnekleme sıklığını artırın.
Uyarı: PSRF > 1,01 olan parametreler var; çalıştırmalar aynı dağılıma yakınsamamış olabilir.
ASDSF (frekansı ≥ 0,10 olan 19 bölünme): 0,01705 (≥ 0,01: çalıştırmalar henüz yakınsamamış olabilir)
Tablolar (kısaltılmış; çalıştırma başına ESS sütunları çıkarılmıştır):
Parametre özetleri (yakma sonrası; %95 HPD, ESS, PSRF)
parametre ortalama ortanca SS HPD_alt HPD_ust ESS ESS_MrBayes PSRF ESS_yeterli
LnL -2627.5055 -2627.1675 4.4593 -2636.6760 -2619.8330 683.8344 548.8558 1.0009 evet
LnPr -52.2762 -51.9787 5.5817 -63.2106 -42.0122 224.6873 171.8823 1.0066 evet
TL 28.3341 27.5349 6.3798 17.1376 40.7152 186.1620 178.8793 1.0059 hayır
r_AC 0.0089 0.0088 0.0036 0.0025 0.0161 142.7956 150.7529 1.0014 hayır
r_AG 0.6303 0.6318 0.0621 0.5027 0.7420 96.8287 72.0909 1.0255 hayır
...
pi_G 0.0405 0.0401 0.0042 0.0323 0.0481 485.0581 276.5396 1.0018 evet
alpha 2.3370 2.2329 0.6605 1.1798 3.5672 420.6992 362.4588 1.0040 evet
Çalıştırmalar
kosu ornek yakilan kalan ilk_nesil son_nesil
1 1001 250 751 0 100000.0
2 1001 250 751 0 100000.0
Ağaç örneklemi özeti
olcut deger
ağaç sayısı (yakma sonrası) 1502.0000
uç sayısı 14.0000
köklü klad sayımı 0.0000
MCC ağacının sırası (birleşik örneklemde) 1.0000
MCC log klad güvenilirliği -2.9739
MCC'deki en düşük sonsal olasılık 0.3915
benzersiz topoloji sayısı 470.0000
ASDSF 0.0170
Çalıştırmalar arası bölünme frekansları (ASDSF'ye katılanlar; en çok 200)
bolunme frekans_kosu1 frekans_kosu2 ortalama SS
Chimp|Human 0.9814 0.9800 0.9807 0.0009
Chimp|Gibbon|Gorilla|Human|Orang 0.9720 0.9574 0.9647 0.0104
Chimp|Gorilla|Human 0.8748 0.8668 0.8708 0.0056
Jpn_Macaq|Rhesus_Mac 0.8375 0.8881 0.8628 0.0358
Bovine|Lemur|Tarsier 0.7084 0.6272 0.6678 0.0574
Bovine|Lemur 0.3848 0.3981 0.3915 0.0094
Lemur|Tarsier 0.3555 0.3302 0.3429 0.0179
...
| Öğe | Ne yazar | Nasıl yorumlanır |
|---|---|---|
| Başlık satırı | Parametre ve ağaç örneklemlerindeki çalıştırma sayısı; yakma oranı | İki sayı farklıysa dosyalar eksik verilmiştir. |
ortalama, ortanca, SS |
Birleşik örneklemin özetleri | Sonsal ortalama, ortanca ve standart sapma. |
HPD_alt, HPD_ust |
En dar aralık | Eşit kuyruklu aralık değildir; çarpık dağılımda ortancaya göre bakışımsızdır. |
ESS |
AR spektrumuyla, çalıştırmaların toplamı | Eşiğin altı: parametre yeterince dolaşılmamış. |
ESS_MrBayes |
Çift toplamıyla, çalıştırmaların toplamı | Çalıştırma sayısına bölünürse MrBayes'in ortalama ESS'i. Uyarıda kullanılmaz. |
ESS_kosu1, … |
Çalıştırma başına ESS (AR spektrumu) | Biri çok küçükse o çalıştırma takılmıştır. |
PSRF |
Düzeltmeli Gelman–Rubin çarpanı | 1,01'in üstü: çalıştırmalar ayrışıyor. Tek çalıştırmada boştur. 1'in biraz altı olağandır. |
ESS_yeterli |
Toplam ESS eşiğe ulaştı mı | Yalnız ESS sütununa göredir. |
| Çalıştırmalar tablosu | Örnek, atılan ve kalan sayıları; ilk ve son nesil | Son nesil hedeflenen ngen'e eşit değilse çalıştırma yarıda kalmıştır; MrBayes girdisinde şablon bunu uyarı olarak da yazar (414–416). |
| köklü klad sayımı | 1: kladlar, 0: bölünmeler | BEAST ağaçlarında 1, MrBayes ağaçlarında 0 beklenir. |
| benzersiz topoloji sayısı | Örneklemdeki farklı ağaç biçimi | Ağaç sayısına yakınsa veri topolojiyi az belirliyor demektir. |
| Bölünme frekansları tablosu | ASDSF'ye giren bölünmeler, çalıştırma başına frekans, ortalama, standart sapma | SS sütununun ortalaması ASDSF'dir; en büyük satırlar çalıştırmaların anlaşamadığı yerlerdir. |
| Ağaçlar tablosu | MCC ve uzlaşı ağaçlarının Newick metni | Düğüm etiketleri iki ondalıklı sonsal olasılıktır; metin başka bir ağaç görüntüleyicide açılabilir. |
Şekil 67.1. Şablonun birinci şekli (örnek ayar): ilk dört parametrenin iz grafikleri. İki çalıştırma iki renkle çizilir; gri bölge atılan yakma örnekleridir. Durağan bir zincir, eğilimi olmayan sık bir bant gibi görünür.

Şekil 67.2. Şablonun üçüncü şekli (örnek ayar): iki çalıştırmanın bölünme frekansları. Her nokta bir bölünmedir; köşegenden uzak noktalar çalıştırmaların anlaşamadığı bölünmelerdir.

Şekil 67.3. Şablonun dördüncü şekli (örnek ayar): MCC ağacı, orta noktadan köklendirilmiş. Düğümlerdeki sayılar sonsal olasılıktır (yeşil en az 0,95; turuncu en az 0,70; kırmızı daha düşük).

İkinci şekil sonsal yoğunlukları (çalıştırma başına bir eğri), beşinci şekil uzlaşı ağacını verir. İz ve yoğunluk şekilleri yalnız ilk dört parametreyi çizer; başka parametreler görülmek istenirse parametre listesi kısaltılır.
Rapor cümlesi (örnek veri; yakınsama sağlanmadığı için sonuç değil, durum raporlanır):
On dört türün 232 bazlık hizalaması GTR + Γ modeliyle, iki bağımsız çalıştırma ve çalıştırma başına dört zincirle 100000 nesil boyunca çözümlendi (MrBayes 3.2.9); her 100 nesilde bir örnek alındı ve örneklerin ilk %25'i atıldı. Yedi parametrede etkin örneklem büyüklüğü 200'ün altında kaldı (en düşük: r_AG, 96,8), üç değişim oranında potansiyel ölçek küçültme çarpanı 1,01'i aştı (en yüksek 1,025) ve bölünme frekanslarının ortalama standart sapması 0,017 bulundu; zincirler uzatıldı.
Yakınsama sağlandıktan sonra ağaç için: "İnsan ve şempanzeyi birleştiren kladın sonsal olasılığı 0,98; insansı maymunların (gibon dâhil) 0,96 idi."
67.8 Sık hatalar ve tuzaklar
- Çalıştırma kimliği sütununu seçmemek. Tabloda iki çalıştırma varken «Çalıştırma» alanı boş bırakılırsa nesil değerleri yinelenir ve şablon durur ("… yinelenen değer var …"); iki çalıştırma tek zincir sayılsaydı nesle göre iç içe sıralanırdı: ortalama ve HPD değişmez, ama PSRF ve ASDSF hesaplanamaz ve ESS anlamını yitirirdi (örnek veride
LnPriçin 224,7 yerine 139,9). Nesil sütunu da boşsa yineleme görünmez ve iki çalıştırma uç uca eklenmiş tek zincir sayılır; bu durumda da alan seçilmelidir. - Toplam ESS'e bakıp çalıştırmaları ayrı denetlememek. Eşik toplam ESS'e uygulanır. İki çalıştırma farklı yerlerde dolaşıyorsa her biri kendi içinde iyi karışmış görünebilir: 20000 nesillik bir denemede bir değişim oranının toplam ESS'i 168 iken PSRF 1,67 çıkmıştır. ESS, PSRF ve ASDSF birlikte okunur.
- ASDSF eşiğini düşürerek "yakınsama" elde etmek. Bölünme frekansı eşiği 0'a çekilirse seyrek bölünmeler ortalamayı düşürür: örnek veride ASDSF 0{,}0170'ten 0{,}0077'ye iner ve ileti "çalıştırmalar yakınsamış" olur. Örneklem aynıdır; değişen yalnız ölçünün tanımıdır. Eşik 0,10'da bırakılır ve raporda belirtilir.
- Şablonun PSRF'sini MrBayes'in PSRF'siyle karşılaştırmak. Tanımlar farklıdır (67.4.4); şablonun değeri genellikle biraz büyüktür.
- MCC ağacındaki her düğümü desteklenmiş saymak. MCC ağacı her zaman tümüyle çözülmüştür; sonsal olasılığı 0,39 olan bir düğüm de çizilir. Düğümün rengi ve etiketi okunur; 0,95'in altındaki ilişkiler "desteklenmedi" diye raporlanır. Uzlaşı ağacı bu yerleri çok dallı bırakır.
- Köksüz ağaçlarda "Köklü (kladlar)" seçmek. Seçenek ağaçları köklendirmez; yalnız sayım kuralını değiştirir. MrBayes'in köksüz ağaçlarında bu seçimle ortalama dal uzunlukları hesaplanamaz: MCC ağacı seçilen örneğin kendi uzunluklarıyla, uzlaşı ağacı uzunluksuz yazılır ve şablon bunu not olarak bildirir (542–546). Alan "Otomatik"te bırakılır.
- Çizim dış grubunu yanlış yazmak. Ad ağaçtaki uç adıyla birebir aynı olmalıdır (MrBayes şablondan çalıştırıldıysa noktalı ad:
Squir.Monk). Ad bulunamazsa ağaç orta noktadan köklendirilir ve şablon bunu not olarak yazar (606–608); ad bulunur ama tek soy oluşturmazsa da orta noktadan köklendirilir ve not yazılır (609–616). - Sonsal olasılığı bootstrap desteği gibi okumak. İkisi aynı ölçekte değildir: sonsal olasılık modele koşullu bir olasılıktır ve aynı veride bootstrap yüzdesinden sistematik olarak yüksek çıkar. 0,95 sonsal olasılık ile %70 bootstrap çoğu zaman benzer güçte kanıttır; eşikler birbirinin yerine kullanılmaz.
- Dal uzunlukları çok büyük çıkan bir ağacı yorumlamak. Örnek veride ağaç uzunluğunun sonsal ortalaması 28 değişim/konumdur; bu, uzak dış grupların (fare, sığır) doygun dizilerinden kaynaklanır (Bölüm 69.8). Topoloji destekleri kullanılabilir; dış grup dallarının uzunluğu kullanılamaz.
- Nesil sütununda sayı olmayan değer. Nesil ve parametre sütunları "sayısal sütun" rolündedir; Veri sekmesindeki tür "kategorik" olsa bile sayı olarak okunur. Nesil sütununda sayıya çevrilemeyen bir değer (ör. virgüllü ondalık yazım ya da metin) varsa şablon açık bir iletiyle durur (295).
- Uzunlukları farklı çalıştırmaları birleştirmek. PSRF her çalıştırmanın yakma sonrası ilk n_0 örneğinden, öteki özetler bütün örneklerden hesaplanır; yarıda kalmış bir çalıştırma varsa önce «Çalıştırmalar» tablosu okunur. Uzunluklar farklıysa şablon PSRF'nin her çalıştırmanın ilk n_0 örneğiyle hesaplandığını not olarak yazar (466–468).
- MrBayes'i model seçmeden çalıştırmak. Formun varsayılanı GTR + I + Γ'dır. Kısa hizalamalarda +I ile +Γ birbirini telafi eder ve karışım kötüleşir; model Bölüm 69'daki seçimle belirlenir.
- DNA dışı karakterli diziyle MrBayes'i çalıştırmak. Eksik veri 0 ya da 9 gibi kodlarla yazılmışsa şablon, MrBayes'i çalıştırmadan önce DNA dışı karakteri bulur ve hangi dizide olduğunu söyleyerek durur (328–333); MrBayes'in kendi hata satırları da "çıktı dosyası üretmedi" iletisinde gösterilir (405–410). Eksik konumlar
?ya daN, boşluklar-ile yazılır; dizi Bölüm 69 ya da 70'in şablonundan geçirilerek önceden denetlenebilir.
67.9 Uzman soruları
S1. ESS neden çalıştırmalar üzerinden toplanıyor? Birleşik zincirin ESS'i hesaplanamaz mı?
Çalıştırmalar uç uca eklenirse ek yerinde yapay bir sıçrama oluşur ve AR modeli bunu uzun erimli bağımlılık sayar; ESS olduğundan küçük çıkar. Çalıştırmalar bağımsız olduğundan her birinin taşıdığı bilgi toplanabilir: m çalıştırmanın ortalamalarının ortalaması, varyansı \sum ESS ile ters orantılı bir kestiricidir. Bu toplama yalnız çalıştırmalar aynı dağılımdan örnekliyorsa anlamlıdır; koşul PSRF ve ASDSF ile ayrıca denetlenir. Çalıştırma kimliği verilmeden iç içe sıralanmış iki çalıştırmada (67.8) ESS hiçbir zincirin özelliği değildir.
S2. AR spektrumu ile çift toplamı neden farklı sayılar veriyor; hangisi "doğru"?
İkisi de \tau'nun tutarlı kestiricisidir; sonlu zincirde yanlılıkları ve varyansları farklıdır. AR kestiricisi seçilen dereceye duyarlıdır: örnek veride aynı parametre için iki çalıştırmada AR(10) ve AR(7), r_AT için AR(10) ve AR(22) seçilmiştir. Çift toplamı gürültülü öz-ortak varyansları erken keser ve genellikle daha tutucudur (on dört parametrenin on üçünde daha küçük). Zincir uzadıkça iki sayı yakınlaşır; aralarındaki oranın 1'den uzak olması zincirin kısa olduğunun ek bir göstergesidir.
S3. PSRF 1'den küçük çıkabilir mi?
Çıkabilir. \hat V/W=(n-1)/n+(1+1/m)(B/n)/W ifadesinde çalıştırma ortalamaları rastlantıyla birbirine çok yakınsa ikinci terim küçük kalır ve oran 1'in biraz altına iner; örnek veride pi_C için 0{,}9998 bulunur. Bu, "fazla yakınsama" değil, örnekleme oynaklığıdır; 1 olarak okunur.
S4. İki çalıştırmayla PSRF'nin serbestlik derecesi düzeltmesi güvenilir mi?
Düzeltme \hat V'nin varyans kestirimine dayanır ve bu kestirim iki çalıştırmada yalnız iki ortalama ve iki varyanstan gelir; d çok oynaktır. Örnek veride ağaç uzunluğu için d=4863 (düzeltme 1{,}0004), alpha için d çok daha küçüktür (düzeltme yaklaşık 1{,}008). İki çalıştırmayla PSRF kaba bir ölçüdür; dört ya da daha çok çalıştırma hem düzeltmeyi hem ASDSF'yi daha kararlı kılar. Sıra dönüşümlü ve bölünmüş zincirli yeni tanımlar (Vehtari ve ark., 2021) bu şablonda yoktur.
S5. MCC ağacı ile yarı çoğunluk uzlaşı ağacı farklıysa hangisi raporlanır?
İki ağaç yalnız sonsal olasılığı 0,5'in altındaki yerlerde ayrışır: uzlaşı ağacı oraları çok dallı bırakır, MCC ağacı örneklemdeki bir çözümü gösterir. Topolojik sonuç bildirilecekse uzlaşı ağacı daha dürüsttür, çünkü desteklenmeyen ilişkiyi çizmez. Tümüyle çözülmüş bir ağaç gerekiyorsa (tarihlendirme, karşılaştırmalı yöntemler) MCC ağacı kullanılır ve düşük olasılıklı düğümler açıkça belirtilir. Örnek veride fark tek bir düğümdür ({Bovine, Lemur}; 0,39).
S6. MCC ağacı "en olası ağaç" mıdır?
Hayır. En olası ağaç (MAP), örneklemde en sık görülen topolojidir; MCC ise klad frekanslarının çarpımını en büyük yapan örnek ağaçtır. Çarpım, kladların bağımsız olduğunu varsayan bir yaklaşımdır. Topoloji sayısı çok büyükken (örnek veride 1502 ağaçta 470 topoloji) tek tek topolojilerin frekansı güvenilir kestirilemez; klad frekansları çok daha iyi kestirilir ve MCC bu yüzden tercih edilir (Heled ve Bouckaert, 2013). Örnek veride MCC topolojisi 84 kez (%5,6) görülür.
S7. Dal uzunluğu ortalaması neden yalnız o dalı içeren ağaçlardan alınıyor?
Bir dal, onu taşımayan bir ağaçta tanımlı değildir; "uzunluğu sıfır" saymak, sonsal olasılık ile uzunluğu tek bir sayıya karıştırır. Koşullu ortalama, "bu klad gerçekse dalı ne kadar uzundur" sorusunu cevaplar. Sonuç olarak özet ağacın dal uzunlukları toplamı, TL parametresinin sonsal ortalamasına eşit değildir: örnek veride MCC ağacında 29{,}02, uzlaşı ağacında 28{,}01, TL ortalaması 28{,}33'tür.
S8. Aynı tohumla MrBayes her bilgisayarda aynı örneklemi üretir mi?
Aynı program sürümü, aynı derleme ve aynı veriyle evet: şablon MrBayes'e iki tohumu açıkça verir ve bunları sonuç metnine yazar. Farklı bir derleme (başka işletim sistemi, MPI sürümü) ya da kullanıcının verdiği başka bir MrBayes yolu aynı tohumla farklı kayan nokta yuvarlamalarına ve dolayısıyla farklı bir zincire yol açabilir. Sonsal özetler yakınsamış bir çözümlemede Monte Carlo hatası içinde aynı kalır; tek tek örnekler kalmaz.
S9. BEAST çıktısı okunduğunda ne kaybolur?
.log dosyası sekmeyle ayrılmış bir tablodur ve eksiksiz okunur; ilk sütun (durum numarası) nesil sayılır. .trees dosyasındaki ağaçların topolojisi ve dal uzunlukları okunur; köklü ve ultrametrik oldukları için kladlar sayılır ve özet ağaçta düğüm yükseklikleri ortalanır. Düğümlere iliştirilmiş açıklamalar (hız, konum, yaş aralığı) okuma sırasında silinir; düğüm yaşlarının %95 HPD aralıkları hesaplanmaz. Tarihlendirme sonuçları için BEAST'in kendi özet aracı gerekir.
67.10 Kaynaklar
- Brooks, S. P., & Gelman, A. (1998). General methods for monitoring convergence of iterative simulations. Journal of Computational and Graphical Statistics, 7(4), 434–455. https://doi.org/10.1080/10618600.1998.10474787
- Chen, M.-H., & Shao, Q.-M. (1999). Monte Carlo estimation of Bayesian credible and HPD intervals. Journal of Computational and Graphical Statistics, 8(1), 69–92. https://doi.org/10.1080/10618600.1999.10474802
- Drummond, A. J., & Rambaut, A. (2007). BEAST: Bayesian evolutionary analysis by sampling trees. BMC Evolutionary Biology, 7, Article 214. https://doi.org/10.1186/1471-2148-7-214
- Gelman, A., & Rubin, D. B. (1992). Inference from iterative simulation using multiple sequences. Statistical Science, 7(4), 457–472. https://doi.org/10.1214/ss/1177011136
- Geyer, C. J. (1992). Practical Markov chain Monte Carlo. Statistical Science, 7(4), 473–483. https://doi.org/10.1214/ss/1177011137
- Hayasaka, K., Gojobori, T., & Horai, S. (1988). Molecular phylogeny and evolution of primate mitochondrial DNA. Molecular Biology and Evolution, 5(6), 626–644. https://doi.org/10.1093/oxfordjournals.molbev.a040524
- Heled, J., & Bouckaert, R. R. (2013). Looking for trees in the forest: Summary tree from posterior samples. BMC Evolutionary Biology, 13, Article 221. https://doi.org/10.1186/1471-2148-13-221
- Huelsenbeck, J. P., & Ronquist, F. (2001). MRBAYES: Bayesian inference of phylogenetic trees. Bioinformatics, 17(8), 754–755. https://doi.org/10.1093/bioinformatics/17.8.754
- Lakner, C., van der Mark, P., Huelsenbeck, J. P., Larget, B., & Ronquist, F. (2008). Efficiency of Markov chain Monte Carlo tree proposals in Bayesian phylogenetics. Systematic Biology, 57(1), 86–103. https://doi.org/10.1080/10635150801886156
- Margush, T., & McMorris, F. R. (1981). Consensus n-trees. Bulletin of Mathematical Biology, 43(2), 239–244. https://doi.org/10.1007/BF02459446
- Nylander, J. A. A., Wilgenbusch, J. C., Warren, D. L., & Swofford, D. L. (2008). AWTY (are we there yet?): A system for graphical exploration of MCMC convergence in Bayesian phylogenetics. Bioinformatics, 24(4), 581–583. https://doi.org/10.1093/bioinformatics/btm388
- Paradis, E., & Schliep, K. (2019). ape 5.0: An environment for modern phylogenetics and evolutionary analyses in R. Bioinformatics, 35(3), 526–528. https://doi.org/10.1093/bioinformatics/bty633
- Plummer, M., Best, N., Cowles, K., & Vines, K. (2006). CODA: Convergence diagnosis and output analysis for MCMC. R News, 6(1), 7–11.
- Rambaut, A., Drummond, A. J., Xie, D., Baele, G., & Suchard, M. A. (2018). Posterior summarization in Bayesian phylogenetics using Tracer 1.7. Systematic Biology, 67(5), 901–904. https://doi.org/10.1093/sysbio/syy032
- Ronquist, F., Teslenko, M., van der Mark, P., Ayres, D. L., Darling, A., Höhna, S., Larget, B., Liu, L., Suchard, M. A., & Huelsenbeck, J. P. (2012). MrBayes 3.2: Efficient Bayesian phylogenetic inference and model choice across a large model space. Systematic Biology, 61(3), 539–542. https://doi.org/10.1093/sysbio/sys029
- Schliep, K. P. (2011). phangorn: Phylogenetic analysis in R. Bioinformatics, 27(4), 592–593. https://doi.org/10.1093/bioinformatics/btq706
- Vehtari, A., Gelman, A., Simpson, D., Carpenter, B., & Bürkner, P.-C. (2021). Rank-normalization, folding, and localization: An improved R̂ for assessing convergence of MCMC (with discussion). Bayesian Analysis, 16(2), 667–718. https://doi.org/10.1214/20-BA1221