爾云間? 一個專門做科研的團隊

原創(chuàng)?小果?生信果

歡迎點贊+收藏+關(guān)注

上次小果帶大家在數(shù)據(jù)庫下載了fasta序列并將其導(dǎo)入MEGA中進行序列比對，結(jié)果輸出后保存了mas文件，本期我們接上期繼續(xù)：

3、篩選模型

雙擊保存的mas文件，點擊Data?Phylogenetic Analysi

回到主界面?點擊MODELS?Find Best DNA/Protein Models（ML）…

?這一步是為了尋找用來構(gòu)建進化樹最合適的模型，默認參數(shù)即可。

結(jié)束后會彈出一個界面，在BIC這一列中給出了模型得分，越靠前的越好，第一個是K2+G，但是軟件不支持組合模型，所以選擇排名最靠前的單個模型即可，這里小果選擇了K2.

4、構(gòu)建進化樹

在主界面點擊PHYLOGENY（樹狀圖標）?選第二個NJ鄰接法建樹

*最大似然法 (Maximum Likelihood) 和鄰接法 (Neighbor-Joining) 是兩種常見的建樹方法兩種方法之間的主要區(qū)別在于，最大似然法需要計算所有可能的樹形狀，因此對于大型數(shù)據(jù)集來說計算量很大，并且可能會受到計算資源的限制。而鄰接法則是一種啟發(fā)式方法，能夠處理更大的數(shù)據(jù)集，但它沒有考慮所有可能的樹形狀，可能會得到不同的樹形狀，取決于其啟發(fā)式算法的選擇和特定數(shù)據(jù)集的屬性?？偟膩碚f，最大似然法對于小型和中型數(shù)據(jù)集是一個更準確的方法，而鄰接法則則適用于更大的數(shù)據(jù)集。當(dāng)然，你可以根據(jù)自己的偏好和分析目的選擇建樹方法。

在Test of Phylogeny中選擇bootstrap（bootstrap是一種常用的重復(fù)抽樣方法，用于評估構(gòu)建的進化樹的可靠性和統(tǒng)計顯著性）我們在步長檢驗次數(shù)選擇1000次（默認500）。

Model選擇篩選出的模型即可，這里用到剛剛選擇的K2

在Gaps/MissingData Treatment處選擇Partial deletion，Site CoverageCutoff選擇50。

*在分子序列中存在一些缺失的數(shù)據(jù)點或空缺的位置。這種缺失數(shù)據(jù)可能會對系統(tǒng)發(fā)育分析結(jié)果產(chǎn)生影響，因此需要對缺失數(shù)據(jù)進行處理。Partial deletion是其中一種方法，它將含有缺失數(shù)據(jù)的序列刪除，但保留在其它序列中完整的數(shù)據(jù)點。Site Coverage Cutoff是指在Partial deletion方法中，允許保留的數(shù)據(jù)點的最小比例或閾值。例如，選擇50表示只有在某個數(shù)據(jù)點上的數(shù)據(jù)在至少50%的樣本中都有觀測值時，才會將該數(shù)據(jù)點納入分析。這個閾值的選擇會影響結(jié)果的可靠性和準確性，較低的閾值可能會導(dǎo)致較多的噪音和偏差，較高的閾值可能會削減掉太多的數(shù)據(jù)點，可能會影響結(jié)果的精度和有效性。

點擊OK，稍等片刻樹就畫好了。

MEGA可以對進化樹進行可視化和編輯?？梢蕴砑訕撕灐⒏淖冾伾蜆邮降?。最終的進化樹可以導(dǎo)出為多種格式，如PDF、PNG、SVG等。

以上就是基于MEGA軟件構(gòu)建進化樹的詳細步驟，怎么樣，是不是很簡單呢？

?

后記：

如果有繪制進化樹的需求，小果強烈安利本公司的云生信平臺，打開鏈接，在云生信·迎新春一欄找到“進化樹”，動動手指直接上傳自己的數(shù)據(jù)就出圖啦！下圖是用平臺示例數(shù)據(jù)做的圖喲~

?

怎么樣是不是很簡單呢！快來注冊賬號吧~

生信人R語言學(xué)習(xí)必備

立刻擁有一個Rstudio賬號

開啟升級模式吧

（56線程，256G內(nèi)存，個人存儲1T）

往期代碼：

【1】lncRNA的拷貝數(shù)變異下游相關(guān)分析
【2】R可視化：ggstatsplot包—科研界的美圖秀秀
【3】隨機森林算法用于分類預(yù)測和篩選診斷標志物
【4】基于本地Java版GSEA的輸出結(jié)果整合多個通路到一張圖
【5】基于嶺回歸模型和基因表達矩陣估算樣本對藥物反應(yīng)的敏感性
【6】基于R包NMF對樣本進行分型分析
【7】DALEX包用于探索、解釋和評估模型；分析不同特征變量對響應(yīng)變量的影響
【8】根據(jù)腫瘤突變負荷TMB進行KM生存分析尋找最佳的cutoff
【9】基于單樣本富集分析算法評估組織中的免疫細胞浸潤水平
【10】代碼分享│什么？你還在用散點圖來可視化數(shù)據(jù)之間的相關(guān)性
【11】代碼分享│診斷列線圖、校準曲線、決策曲線和臨床影響曲線的構(gòu)建
【12】代碼分享│你了解基因的動態(tài)變化模式嗎
【13】代碼分享│生物信息分析之SCI熱門圖表-復(fù)雜熱圖
【14】代碼分享│生物信息分析之SCI熱門圖表-火山圖
【15】代碼分享│生物信息分析之SCI熱門圖表-箱型圖和小提琴圖
【16】代碼分享│深度學(xué)習(xí)-人工神經(jīng)網(wǎng)絡(luò)（ANN）的構(gòu)建
【17】代碼分享│R可視化：高分文章繪圖之基于RCircos包的多類型圈圖繪制
【18】代碼分享│R可視化：基因與功能之間的關(guān)系--GO功能富集網(wǎng)絡(luò)圖繪制
【19】代碼分享│生物信息分析之SCI熱門圖表—KM曲線和tROC曲線
【20】代碼分享│R可視化：腫瘤預(yù)后模型之Cox回歸分析后用R語言繪制森林圖
【21】代碼分享│生物信息分析之SCI熱門圖表—相關(guān)性熱圖和散點圖
【22】代碼分享│生信分析之R語言分析相關(guān)性及可視化的N種風(fēng)格
【23】代碼分享│TCGA數(shù)據(jù)獲取有困難，不會預(yù)處理，學(xué)習(xí)起來
【24】代碼分享│機器學(xué)習(xí)-支持向量機遞歸特征消除（SVM-RFE）的構(gòu)建
【25】代碼分享│R可視化：對兩個矩陣進行相關(guān)性可視化分析
【26】GEO數(shù)據(jù)庫多數(shù)據(jù)集差異分析整合利器RRA，再也不用糾結(jié)去除批次效應(yīng)
【27】你與生信大佬的距離，只差2分鐘搞定預(yù)后模型構(gòu)建和性能評估
【28】9+SCI純生信，模型構(gòu)建中的“流量明星”，你不得不知的LASSO
【29】手把手教你畫美觀大氣的lasso回歸模型圖，為你的SCI增磚添瓦
【30】R可視化：clusterProfiler包做組間比較GO富集圖
【31】代碼分享|R可視化：復(fù)雜熱圖繪制技巧之熱圖中添加柱狀圖
【32】代碼分享——基于基因突變信息分析腫瘤突變負荷
【33】代碼分享│富集不到想要的通路？別放棄呀，試試GSEA
【34】代碼分享│還在用PCA做降維聚類嗎？最強降維模型tSNE--你值得擁有
【35】代碼分享│GSVA：原來功能通路也能做差異分析！
【36】代碼分享│Slingshot：你不知道的單細胞擬時序分析還有它
【37】基于基因功能注釋信息挖掘關(guān)鍵作用基因
【38】基于癌癥分類預(yù)測的標志物特征提取的SVM-RFE分析代碼
【39】依據(jù)表型數(shù)據(jù)基于無監(jiān)督聚類算法對研究群體進行分層聚類分析
【40】基于穩(wěn)健排序整合算法對多數(shù)據(jù)集進行整合及可視化
【41】基于基因表達譜估算樣本免疫基質(zhì)評分和腫瘤純度
【42】自動化繪制LASSO算法回歸模型圖
【43】用于臨床診斷和臨床決策影響的DCA分析
【44】基于樣本預(yù)后生存信息和臨床因素用于評價不同模型的一致性指數(shù)軟件
【45】用于探索、解釋和評估模型的DALEX殘差分析軟件
【46】基于細菌群落功能豐度結(jié)果進行差異功能分析及可視化
【47】基于基因差異分析結(jié)果繪制其在染色體上的分布
【48】利用逐步回歸法篩選特征基因構(gòu)建Cox風(fēng)險模型分析
【49】基于Immune Subtype Classifier進行腫瘤免疫亞型分類
【50】不同物種之間的同源基因名稱轉(zhuǎn)換分析
【51】基于逐步多因素cox回歸篩選預(yù)后標記基因并構(gòu)建風(fēng)險評分模型
【52】基于表達信息挖掘與關(guān)注基因密切相關(guān)的基因
【53】基因組學(xué)基因名稱修正分析
【54】基于Spearman算法構(gòu)建關(guān)聯(lián)網(wǎng)絡(luò)
【55】基于線性建模方法對代謝組和轉(zhuǎn)錄組數(shù)據(jù)整合分析
【56】基于lasso回歸模型方法篩選特征基因
【57】基于線性建模方法對代謝組和轉(zhuǎn)錄組數(shù)據(jù)整合分析
【58】基于參數(shù)型經(jīng)驗貝葉斯算法和支持向量機（SVM）篩選疾病亞型特征基因
【59】基于LDA(線性判別分析)算法的微生物biomarker的篩選
【60】基于R包xCell計算64種免疫細胞相對含量及下游可視化
【61】基于甲基化數(shù)據(jù)評估腫瘤純度及下游可視化
【62】基于DiffCorr包識別不同表型下的差異共表達關(guān)系對
【63】基于逆累計分布函數(shù)識別顯著偏差通路
【64】基于差異基因?qū)ν返挠绊懲诰蜿P(guān)鍵通路
【65】基于高通量數(shù)據(jù)的樣本相似性分析

需要以上代碼私信小果哦！

“生信果”，生信入門、R語言、生信圖解讀與繪制、軟件操作、代碼復(fù)現(xiàn)、生信硬核知識技能、服務(wù)器、生物信息學(xué)的教程，以及基于R的分析和可視化等原創(chuàng)內(nèi)容，一起見證小白和大佬的成長。