Содержание
- 2. Проблема конкурирующих гипотез и метод проб и ошибок Примеры гипотез: Встречу ли я динозавра, выйдя на
- 3. Проблема конкурирующих гипотез и метод проб и ошибок Примеры гипотез: Встречу ли я динозавра, выйдя на
- 4. Если мы вынули из ящика 21 белый шар, то это точно гипотеза H1 Но не обязательно
- 5. Проблема конкурирующих гипотез и метод проб и ошибок Примеры гипотез: Филогенетическая реконструкция: топология 1, топология 2
- 6. Проблема конкурирующих гипотез Решения: MP: выбираем наиболее простую гипотезу ML: выбираем наиболее правдоподобную гипотезу НО: 1)
- 7. Проблема конкурирующих гипотез А еще лучше иметь совокупность всех гипотез с прямыми оценками их вероятностей Есть
- 8. Метод Байеса (Bayes Inference) Thomas Bayes 1702-1761 England Байесова статистика . Обычная статистика рассматривает вероятности (частоты
- 9. Метод Байеса (Bayes Inference) основные понятия: Априорная вероятность гипотезы Постериорная вероятность гипотезы правдоподобие гипотезы (вероятность наблюдения
- 10. Априорные и постериорные гипотезы Схема анализа: 1) выбираются (задаются) априорные гипотезы (вероятности) 2) получение данных (эмпирическое
- 11. H1 –гипотеза 1 Н2 – гипотеза 2 E - испытание (P(H1/E) – постериорная вероятность гипотезы H1
- 12. P априорное для H1 = 0.5 P априорное для H2 = 0.5
- 13. Правдоподобие для H1 = 0.75 (вероятность, что первый вынутый шар будет белым) Правдоподобие для H2 =
- 14. P(H1) – априорная вероятность гипотезы H1 (P(H1/E) – постериорная вероятность гипотезы H1 P(E/H1) – вероятность наблюдения
- 15. Итеративная процедура – многократное возвращение к тестированию исходной гипотезы, но каждый раз с учетом уже измененной
- 16. Вторая итерация априорные вероятности гипотез уже другие P(H1)=0.6; P(H2)=0.4 Р = (0.6 х 0.75)/(0.6 х 0.75
- 17. Р = (0.69 х 0.75)/(0.69 х 0.75 + 0.31 х 0.5) = 0.5175/(0.5175 + 0.155) =
- 18. Продолжаем процесс до тех пор пока вероятность одной из гипотез не достигнет 100% [P(H1)=1], т.е. гипотеза
- 19. Лодка затонула 21 мая 1968 годаЛодка затонула 21 мая 1968 года в 740 км (400 миль)
- 21. Как все это перенести на реконструкцию филогении? - нужны предварительные гипотезы - нужны значения правдоподобий
- 22. Метод максимального правдоподобия JC model Вероятности всех замен одинаковы, т.е. P(AC)=P(AG)=P(AT)=P(CG)=P(CT)=P(GT)=α частоты нуклеотидов равны, т.е. f(A)=f(C)=f(G)=f(T)=0.25
- 24. Теперь вопрос, как перейти к филогенетическим гипотезам, т.е. деревьям
- 25. • В филогенетике эволюционные модели составляют очень большое число гипотез: (каждая уникальная комбинация дерева [топологии] и
- 26. анализировать не отдельные гипотезы (их может быть неограниченное множество), а статистические распределения этих гипотез
- 31. Униформный (неспецифический прайор), казалось бы, какая от него польза. Но вспомним про итеративность… Итерации постепенно сдвигают
- 33. Еще один прием: расчленить тестируемую гипотезу: представить ее в виде совокупности более простых гипотез
- 34. В случае филогенетической гипотезы вместо дерева можно дать совокупность: 1) топология 2) информация о длине ветвей
- 35. 1) прайор о топологии 2) прайор о длине ветвей 3) прайор о частотах нуклеотидов 4) прайор
- 37. При проведении анализа запускается несколько цепей (обычно 4), каждая из которых ищет оптимальные деревья Цепи могут
- 38. Как задать прайоры в Байесовом анализе? Как выбрать модель эволюции в Байесовом анализе? GTR+I+G
- 39. Пример Филогения бабочек рода Parnassius, основанная на анализе гена COI с использованием метода Байеса
- 42. но Основан на другой статистике, которая позволяет, получив вероятность дерева, пересчитать ее с учетом той топологии,
- 43. Получаемые в ходе Байесова анализа деревья образуют распределение, которое позволяет рассчитать так называемую постериорную вероятность отдельных
- 44. Распределение этих деревьев позволяет рассчитать так называемую апостериорную вероятность (PB), которая является прямой оценкой вероятности филогенетической
- 45. Методы максимального правдоподобия и Байеса: сходство и различия, плюсы и минусы ML говорит лишь о степени
- 46. Методы максимального правдоподобия и Байеса применимы для анализа любых структур, закономерности эволюции которых могут быть формализованы
- 47. Не существует никакого теоретического запрета на использование морфологических признаков в рамках метода максимального правдоподобия и Байесова
- 48. Пример Филогения бабочек рода Parnassius, основанная на анализе гена COI с использованием метода Байеса
- 49. Методы реконструкции филогенезов , основанные на анализе генетических дистанций ДНК: 1 5 10 tagcaaaatg
- 50. Суть метода Откуда берутся генетические дистанции? ДНК-ДНК гибридизация, иммунологические реакции, анализ анонимных маркеров – все, что
- 51. Превращение матрицы дискретных данных в матрицу дистанций Превращение матрицы дискретных данных в матрицу дистанций
- 52. Построение дерева на основании матрицы дискретных данных и на основании в матрицы дистанций
- 53. Чем генетические дистанции отличаются от фенетических? Понятия сырой “p” дистанции и скорректированной дистанции модели эволюции
- 54. Методы коррекции генетических дистанций
- 55. Если вероятности нуклеотидных замен (p) и частоты нуклеотидов (f) константны во времени, то суммарная эволюционная дистанция
- 56. JC Вероятности всех замен одинаковы, частоты нуклеотидов равны
- 57. K2P Вероятности транзиций и трансверсий разные, частоты нуклеотидов равны α – транзиция β - трансверсия
- 58. F81 Вероятности всех замен одинаковы, но частоты нуклеотидов разные
- 59. K2P Вероятности транзиций и трансверсий разные, частоты нуклеотидов разные
- 60. REV Вероятности ВСЕХ ЗАМЕН разные, частоты нуклеотидов разные
- 62. Методы построения “дистантных” деревьев Методы основанные на использовании критериев оптимальности Методы, основанные на алгоритмах кластеризации
- 63. Методы основанные на использовании критериев оптимальности Метод наименьших квадратов Оптимальным деревом признается то, при котором сумма
- 65. Методы основанные на использовании критериев оптимальности Метод наименьших квадратов Оптимальным деревом признается то, при котором сумма
- 66. Методы, основанные на алгоритмах кластеризации Метод ближайшего соседа (Neighbour Joining) Метод UPGMA (unweighted pair group method
- 67. Построение дерева на основании матрицы дискретных данных и на основании в матрицы дистанций
- 68. Методы, основанные на алгоритмах кластеризации Метод ближайшего соседа (Neighbour Joining) Метод UPGMA (unweighted pair group method
- 71. Скачать презентацию