R语言生态学:进化树推断物种分化历史:分类单元数与时间关系、支系图可视化
全文链接:http://tecdat.cn/?p=31434
原文出处:拓端数据部落公众号
我们围绕进化树技术进行一些咨询,分析生物类群在时间上的多样性是如何变化的。我们将用到分类单元数-时间图(Lineages-through-time plot),该图可以用来描述物种多样化的总体趋势。
数据
3500trees.nexus是nexus格式的文件,里面有3500棵树。
besttree.nexus也是nexus格式的文件,里面有1颗树,是从3500颗树中筛选出来的一致树。
各支系图示
这棵树总共有4大支系(Lineage),现在我需要做的分析都是需要分别做总的,以及4个支系的,也就是说同样的分析要做5次,针对5组不同的对象。
分析方法
方法主要是物种多样化速率(diversification rate) 相关的内容。
trees=read.nexus("3500trees.nexus")
besttree=read.nexus("besttree.nexus")
1.mltt plot (multiple lineage through time)
分类单元数-时间图
lingeage的数值取log的,95%置信区间的ltt plot,中间黑色线的是besttree的,要显示出来。 分别做总的,以及4个支系的,共5个图。
plot(trees)
,log='y')
besttree
# 95% ltt置信区间
ltt.ci<-function(tree.all){
ntip=length(tree.all[[1]]$tip.label)
ntree=length(tree.all)
2.gamma statistic
检验分化速率的变化趋势,看γ的值是正的还是负的。结果需要得到每组的γ值及P值。
mmaStat(besttree)
## [1] -3.693285
3. Monte Carlo constant rates test
检验样品不全是否对分化速率的结果有显著的影响,应该也是每组都要做的。
mc.out <- mcmc.pop
line(tree.hiv)
plot(sk, l
4.对每个组做几个模型的检验,主要包括Pure-birth, birth-death, Yule 2-rate,density-dependent logistic,density-dependent exponential模型。
tdAICr
## --------------Model Summary----------------
##
## MODEL pureBirth
##
## Parameters: r1
##
## LH 535.1086
##
## AIC -1068.217
##
## r1 0.1817879
##
## a -1068.217
##
##
## --------------------------
## MODEL bd
##
## Parameters: r1, a
##
## LH 535.1086
##
## AIC -1066.217
##
## r1 0.1817879
##
## a 0
##
##
## --------------------------
## MODEL DDL
##
## Parameters: r1, k
##
## LH 542.2213
##
## AIC -1080.443
##
## r1 0.2537928
##
## a -1080.443
##
## k 554
##
##
## --------------------------
## MODEL DDX
##
## Parameters: r1, X
##
## LH 536.991
##
## AIC -1069.982
##
## r1 0.3098342
##
## a -1069.982
##
## x 0.1131752
##
##
## --------------------------
##
## Best Constant Rate Model = pureBirth AIC -1068.217
##
## Best Rate Variable Model = DDL AIC -1080.443
##
## delta AICrc = 12.2254
## model params np mtype LH r1 r2 a xp k
## 1 pureBirth r1 1 RC 535.1086 0.1817879 NA -1068.217 NA NA
## 2 bd r1, a 2 RC 535.1086 0.1817879 NA 0.000 NA NA
## 3 DDL r1, k 2 RV 542.2213 0.2537928 NA -1080.443 NA 554
## 4 DDX r1, X 2 RV 536.9910 0.3098342 NA -1069.982 0.113175
最受欢迎的见解
1.PYTHON用户流失数据挖掘:建立逻辑回归、XGBOOST、随机森林、决策树、支持向量机、朴素贝叶斯模型和KMEANS聚类用户画像
3.python中使用scikit-learn和pandas决策树
7.用机器学习识别不断变化的股市状况——隐马尔可夫模型的应用
▍关注我们
【大数据部落】第三方数据服务提供商,提供全面的统计分析与数据挖掘咨询服务,为客户定制个性化的数据解决方案与行业报告等。
▍咨询链接:http://y0.cn/teradat
▍联系邮箱:3025393450@qq.com