1 Bayesian Inference of PhylogenyT. Bayes, Phil. Trans. Roy. Soc., 330 (1763). p(Ti|S) probability of the tree Ti given the sequence data S p(S|Ti) probability or likelihood of the data S given tree Ti p(Ti) prior probability of Ti “The denominator sums the probabilities over all possible trees”
2
3
4
5 ESTIMACION BAYESIANA Inferencias están basadas en la probabilidad de distribución posterior de un parámetro. La unión de las probabilidades de todos los parámetros son calculados. Las probabilidades están basadas en algún modelo (esperado a priori), luego de aprender algo de los datos.
6 ESTIMACION BAYESIANA
7 DADOS
8 ESTIMACION BAYESIANA ¿Cuál es la probabilidad de tomar un dado trucado? Respuesta :1/10. Esta número representa la probabilidad a priori de tomar un dado sesgado.
9 ESTIMACION BAYESIANA Supongamos ahora que otra persona toma un par de dados de la caja y los tira. Resultando: ¿Podemos creer que este resultado esta sesgado? Dos aproximaciones: Maximum Likelihood e Inferencia Bayesiana.
10 OBSERVACION NORMALES SESGADOSPROBABILIDADES OBSERVACION NORMALES SESGADOS
11 PR NORM SESG PROBABILIDADES
12
13 ESTIMACION BAYESIANA
14 INFERENCIA BAYESIANA Pr [Sesgados
15 ESTIMACION BAYESIANA
16
17
18 11 44
19 posterior a priori
20
21 Likelihood Probabilidad a priori Probabilidad a posteriori Σ de todas las probabilidades a posteriori Integración de todas las posibles combinaciones de largo de ramas y modelos de sustitución nucleotídica.
22
23 INFERIR UNA FILOGENIA
24 POSIBLES FILOGENIAS
25
26
27 Arboles equiprobablesProporcional a observaciones: supuestos ej. alineamiento Combinación: probabilidades a priori y Likelihood
28
29
30 ALINEAMIENTO
31
32
33
34
35
36
37
38
39
40
41
42
43 Estimación de las probabilidades a posteriori : ¿Cómo aproximarse?Calcular esta probabilidad implica: involucrar todos los árboles posibles….para cada árbol se debe integrar sobre todas las combinaciones de largo de rama y modelos de sustitución nucleotídica. (IMPOSIBLE ANALÍTICAMENTE!!!) Por necesidad la solución debe ser aproximada Método de Montecarlo
44
45
46
47
48
49
50 Monte Carlo y cadenas Markovianas (MCMC)MCMC trabaja del siguiente modo: a) Comienza una cadena markoviana con un árbol ya sea 1) elegido al azar o 2) elegido por el investigador. b) Un nuevo árbol es propuesto….el proceso de cambio del arbol 1 al 2 debe satisfacer las siguientes condiciones: 1) El mecanismo debe ser estocástico; 2) cada arbol posible debe ser obtenido por aplicaciones repetidas del mismo mecanismo y 3) la cadena debe ser aperiodica.
51
52 MARKOV CHAIN MONTE CARLO (MCMC)
53 At each step in the chain a new tree is proposed by altering the topology, or by changing branch lengths or the parameters of the model of sequence evolution. The Metropolis-Hastings algorithm is then used to accept or reject the new tree.
54
55
56
57
58 METROPOLIS-COUPLED MARKOV CHAIN MONTE CARLO (MCMCMC o MC3)Involucra correr algunas cadenas independientemente. La primera cadena que se cuenta (cold chain) el resto se denomina cadenas accesorias (heated chain). Saltos son intentados al azar entre dos cadenas distintas. Se necesita correr varios análisis independientes para confirmar convergencias.
59
60
61
62
63
64 Resultado de esta búsqueda se obtiene un tercer término para la estimación de las probabilidades a posteriori (Proposal Ratio o Término de Hasting)
65
66
67
68
69 INFERENCIA FILOGENÉTICA BAYESIANAPrior probability DNA Data Likelihood Evolutionary model Phylogenetic tree Posterior prob. Proposal Starting tree inferencia A sequence of Samples MCMC Approximate the distribution
70
71 MrBayes: Bayesian Inference of PhylogenyMrBayes is a program for Bayesian inference of phylogeny using Markov chain Monte Carlo methods. Avaialble for Mac, PC, and Unix.
72 Métodos filogenéticos más usadosAlgorithm Statistical Supported Search Strategy Bayesian Methods Stochastic search Maximum Likelihood Optimization method Divide & Conquer Maximum Parsimony Greedy search GA, SA MCMC Exact search Fitch-Margolish DCM, HGT, Quartet Algorithmic method Stepwise addition Global arrangement Star decomposition Exhaustive Branch & Bound Neighbor-join UPGMA Distance matrix Data set Character data
73 Mapping characters onto phylogenies
74 Mapping Uncertainty parsimony ML Bayesian
75 Phylogenetic and Mapping Uncertainty
76