Question

我已经在python上实现了一个程序，该程序会生成随机的二叉树。所以现在我想给树的每个内部节点分配一个距离，以使其成为超度量。然后，根与任何叶子之间的距离必须相同。如果节点是叶子，则距离为空。这是一个节点：

class Node() :
    def __init__(self, G = None , D = None) :
        self.id = ""
        self.distG = 0
        self.distD = 0
        self.G = G
        self.D = D
        self.parent = None

我的想法是在开始处设置距离h，并在发现内部节点时减小距离h，但仅在左侧起作用。

def lgBrancheRand(self, h) :
    self.distD = h
    self.distG = h
    hrandomD = round(np.random.uniform(0,h),3)
    hrandomG = round(np.random.uniform(0,h),3)
    if self.D.D is not None :
        self.D.distD = hrandomD
        self.distD = round(h-hrandomD,3)
        lgBrancheRand(self.D,hrandomD)
    if self.G.G is not None :
        self.G.distG = hrandomG
        self.distG = round(h-hrandomG,3)
        lgBrancheRand(self.G,hrandomG)

Answer 1

总而言之，您将创建随机矩阵并将UPGMA应用于每个矩阵。

下面有更完整的答案

只需使用UPGMA算法。这是用于解析成对矩阵的聚类算法。

您将两对“分类单元”（技术上称为OTU）之间的总遗传距离除以2。您将成对矩阵中最接近的成员分配为第一个“节点”。重新格式化矩阵，以便将这两对组合成一个组（“删除”）并无限期找到下一个“最近邻居”。我怀疑R'ape'将具有超测度算法，这将使您免于编程。我看到您使用的是Python，因此BioPython MIGHT具有此功能（很大的功能），就我个人而言，我会通过预编译的C程序将其传递给管道，然后通过paup之类的东西收集结果。我不打算编写代码，因为我更喜欢Perl，如果Python问题中出现了任何Perl代码（帝国已经建立），我都会被炒鱿鱼。

无论如何，您会发现此算法可生成完美的超测树。纯粹主义者不喜欢通过这种算法得出的超度量树。但是，在您的计算中它可能很有用，因为您可以从真实数据中找到系统发育史，这与您所产生的零分布最像“时钟”。在这种情况下，这将很酷。

您可能希望提出有关生物信息学stackexchange的问题。

随机超树

1 个答案: