核酸词的系统发育树

Question

如果对n个核酸序列构造了一个词频表( ATG对应于长度为2，AT和TG的两个单词)，则该表可用于(直接或经过PCA降维后)计算这些序列的距离矩阵，然后将其聚为一个系统发育树(doi:10.1007/s 00285-002-0185-3)：

library(sequinr)
Bat1 <- read.fasta(file="bat1.FASTA")
Bat1.seq <- Bat1[[1]]
Bat1.count <- as.vector(count(Bat1.seq, 2)) # count word frequencies, k < log4(Sequence length)
...
Counts <- rbind(Bat1.count, ...)
rownames(Counts) <- c("Bat1", ...)
colnames(Counts) <- c(rownames(count(Bat1.seq, 2)))
RowCounts <- rowSums(Counts)     
Counts.norm <- Counts/RowCounts  # normalise word counts for different sequence length
distance <- dist(Counts.norm, method = "euclidian")
hc <- hclust(distance, method = "average")
plot(hc)

几种病毒序列的系统发育树

​

这是令人惊讶的好，输出看起来类似于一棵树获得的多序列对齐与ClustalX，但计算时间是秒，而不是小时。

问:如何衡量这些树的质量，选择最优的单词长度k或(如果使用PCA )的最优分量q，以及距离和聚类方法？最好不要对随机序列进行冗长的引导;-)。

Answer 1

这棵树最重要的特点是它是，而不是系统发育的！

在系统发育过程中，边缘反映了进化过程，我们问两个分类群是否有一个共同的祖先，这有多大的可能性。相反，OP图像中的树状图代表了类群之间的DNA序列组成相似性，因此是一种物化树。在决定是否使用所建议的方法时，理解系统发育和物候树之间的区别是至关重要的。如果测试的目的是推断病毒之间的进化关系，那么这种方法是不合适的。

由于树不是一个系统发育，这种关系不需要用进化史的意义来检验。