核酸词系统发育树

Question

如果为 n 个核酸序列构建了一个词频表（序列 ATG 对应两个长度为 2 的词，AT 和 TG），则可以使用该表（直接或之后PCA 降维）来计算这些序列的距离矩阵，然后可以将其聚类为系统发育树（doi：10.1007/s00285-002-0185-3）：

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

效果出奇的好，输出看起来类似于用 ClustalX 进行多序列比对获得的树，但计算时间是秒而不是小时。

问题：我如何衡量这些树的质量，以选择最佳字长 k 或（如果使用 PCA）组件的最佳数量 q，以及距离和聚类方法？ 最好不要使用随机序列进行冗长的引导程序;-)

Answer 1

这棵树最重要的特征是它不是系统发育！

在系统发育中，边缘反映了进化过程，我们询问两个分类群是否共享一个共同的祖先以及这种可能性有多大。相反，OP 图像中的树状图表示分类群之间 DNA 序列组成的相似性，因此是表现树。了解系统发育树和表型树之间的差异对于决定是否使用建议的方法至关重要。如果测试的目的是推断病毒之间的进化关系，这种方法是不合适的。

由于树不是系统发育，因此不需要在进化历史意义上测试这些关系。