algorithm - bootstrapping 如何提高系统发育重建的质量？

Question

我对bootstrapping的理解是你

1. 使用某种算法从序列矩阵(假设是核苷酸)构建一棵“树”。
2. 你存储那棵树。
3. 从1扰动矩阵，重建树。

我的问题是:从序列生物信息学的角度来看，3 的目的是什么？我可以尝试“猜测”，通过更改原始矩阵中的字符，您可以删除数据中的伪影吗？但是我对这个猜测有疑问:我不确定为什么有必要移除这些工件。就其本质而言，序列比对应该通过寻找长的相似性来处理伪影。

Answer 1

在系统发育学和其他地方，自举法不会提高您试图估计的任何东西的质量(在这种情况下是一棵树)。它的作用是让您了解您对从原始数据集中获得的结果有多自信。自举分析回答了“如果我多次重复这个实验，每次都使用不同的样本(但大小相同)，我希望多长时间能得到相同的结果？”这样的问题。这通常按边分割(“我希望在推断树中看到这条特定边的频率如何？”)。

抽样误差

更准确地说，bootstrapping 是一种近似测量估计中的预期抽样误差水平的方法。大多数进化模型都具有以下特性:如果您的数据集有无限数量的站点，您将保证恢复正确的树和正确的分支长度*。但是对于有限数量的站点，这种保证就消失了。您在这些情况下推断的内容可以被认为是正确的树加上抽样误差，其中抽样误差会随着样本量(站点数量)的增加而减小。我们想知道的是，假设我们有(比方说)1000 个站点，我们应该期望每条边的采样误差。

我们想做但做不到的事

假设您使用 1000 个站点的对齐来推断原始树。如果您能够以某种方式为所有分类单元对尽可能多的位点进行排序，您可以从每个位点中提取另外 1000 个位点并再次执行此树推理，在这种情况下，您可能会得到一棵类似于但略有不同的树原来的树。您可以一次又一次地执行此操作，每次使用新一批的 1000 个站点；如果你多次这样做，你会产生一个树的分布。这称为估计的抽样分布。一般来说，它在真树附近的密度最高。如果您增加样本量(站点数量)，它也会更加集中在真树周围。

这个分布告诉我们什么？它告诉我们由这个进化过程(树 + 分支长度 + 其他参数)生成的 1000 个站点的任何给定样本实际上给我们提供真实树的可能性有多大——换句话说，我们对原始分析的信心有多大.正如我上面提到的，这种获得正确答案的概率可以按边分解——这就是“自举概率”。

我们可以做什么

我们实际上没有能力神奇地生成我们想要的尽可能多的对齐列，但我们可以“假装”我们这样做，只需将原始的 1000 个站点集合视为我们从中抽取的站点池一批新的 1000 个站点，每个副本都有重复。这通常会产生与真正的 1000 个站点采样分布不同的结果分布，但对于大型站点计数，近似值是好的。

---

* 这是假设数据集实际上是根据该模型生成的——除非我们进行模拟，否则我们无法确定这一点。此外，某些模型(如未校正的简约性)实际上具有自相矛盾的性质，即在某些情况下，您拥有的站点越多，恢复正确树的概率越低!