构建系统发生树常用方法 - 版本历史

2026年3月23日 (一) 13:33 重庆一中宁宁

2026-03-23T13:33:45Z

←上一版本		2026年3月23日 (一) 21:33的版本
第16行：		第16行：
	[[最小二乘法]]（least square method，LS）：使两序列差异的实际值与理论值之差的平方最小化。		[[最小二乘法]]（least square method，LS）：使两序列差异的实际值与理论值之差的平方最小化。
	=== 邻接法 ===		=== 邻接法 ===
	[[邻接法]]（Neighbour-joining ~~method，NJ）：以星状树起始，计算各分支长度，并逐个合并(合并后取较小值，多个距离相同时任意合并均可）使其总长度最小化。其与Fitch~~-Margoliash法的差别之处在于比较哪两个分类单元组队后树的枝长总和最小。		[[邻接法]]（Neighbour-joining method，NJ）：以星状树起始，计算各分支长度，并逐个合并使其总长度最小化。其与Fitch-Margoliash法的差别之处在于比较哪两个分类单元组队后树的枝长总和最小。
	=== Fitch-Margoliash 法 ===		=== Fitch-Margoliash 法 ===
	[[Fitch-Margoliash法]]（FM）:找出关系最近的组，并用剩余的组与已配对组之间进行比较，算出已配对组之间的距离，之后用此配对组作为一个整体对其他组生成新的距离矩阵，重复上述步骤，最后找出最合适的树。		[[Fitch-Margoliash法]]（FM）:找出关系最近的组，并用剩余的组与已配对组之间进行比较，算出已配对组之间的距离，之后用此配对组作为一个整体对其他组生成新的距离矩阵，重复上述步骤，最后找出最合适的树。

Sofia：自动添加 Sofia 模板和分类

2025-08-23T08:35:02Z

自动添加 Sofia 模板和分类

←上一版本		2025年8月23日 (六) 16:35的版本
第73行：		第73行：

	[[Category:生物进化]] [[Category:生物信息学]] [[Category:总结]] [[Category:生物]]		[[Category:生物进化]] [[Category:生物信息学]] [[Category:总结]] [[Category:生物]]

			{{学科分类}}

			[[Category:演化生物学]]

重庆一中宁宁：/* 邻接法 */

2025-06-24T09:31:18Z

邻接法

←上一版本		2025年6月24日 (二) 17:31的版本
第12行：		第12行：

	=== UPGMA法 ===		=== UPGMA法 ===
	[[UPGMA法]]（Unweighted Pair-Group Method with Arithmetic means，非加权组平均法）：将差异最小的点为节点依次合并，依照此规则，本法同节点建出的二叉分支，其分支长度应当是等长的，这是UPGMA法的一大特点。		[[UPGMA法]]（Unweighted Pair-Group Method with Arithmetic means，非加权组平均法）：将差异最小的点为节点依次合并（合并后取平均值），依照此规则，本法同节点建出的二叉分支，其分支长度应当是等长的，这是UPGMA法的一大特点。
	=== 最小二乘法 ===		=== 最小二乘法 ===
	[[最小二乘法]]（least square method，LS）：使两序列差异的实际值与理论值之差的平方最小化。		[[最小二乘法]]（least square method，LS）：使两序列差异的实际值与理论值之差的平方最小化。
	=== 邻接法 ===		=== 邻接法 ===
	[[邻接法]]（Neighbour-joining method，NJ）：以星状树起始，计算各分支长度，并逐个合并(~~合并后取较小值（杨海明）或平均值（部分资料），多个距离相同时任意合并均可）使其总长度最小化。其与Fitch~~-Margoliash法的差别之处在于比较哪两个分类单元组队后树的枝长总和最小。		[[邻接法]]（Neighbour-joining method，NJ）：以星状树起始，计算各分支长度，并逐个合并(合并后取较小值，多个距离相同时任意合并均可）使其总长度最小化。其与Fitch-Margoliash法的差别之处在于比较哪两个分类单元组队后树的枝长总和最小。
	=== Fitch-Margoliash 法 ===		=== Fitch-Margoliash 法 ===
	[[Fitch-Margoliash法]]（FM）:找出关系最近的组，并用剩余的组与已配对组之间进行比较，算出已配对组之间的距离，之后用此配对组作为一个整体对其他组生成新的距离矩阵，重复上述步骤，最后找出最合适的树。		[[Fitch-Margoliash法]]（FM）:找出关系最近的组，并用剩余的组与已配对组之间进行比较，算出已配对组之间的距离，之后用此配对组作为一个整体对其他组生成新的距离矩阵，重复上述步骤，最后找出最合适的树。

重庆一中宁宁：/* 邻接法 */

2025-06-23T03:57:18Z

邻接法

←上一版本		2025年6月23日 (一) 11:57的版本
第16行：		第16行：
	[[最小二乘法]]（least square method，LS）：使两序列差异的实际值与理论值之差的平方最小化。		[[最小二乘法]]（least square method，LS）：使两序列差异的实际值与理论值之差的平方最小化。
	=== 邻接法 ===		=== 邻接法 ===
	[[邻接法]]（Neighbour-joining method，NJ）：以星状树起始，计算各分支长度，并逐个合并(~~合并后取较小值，多个距离相同时任意合并均可）使其总长度最小化。其与Fitch~~-Margoliash法的差别之处在于比较哪两个分类单元组队后树的枝长总和最小。		[[邻接法]]（Neighbour-joining method，NJ）：以星状树起始，计算各分支长度，并逐个合并(合并后取较小值（杨海明）或平均值（部分资料），多个距离相同时任意合并均可）使其总长度最小化。其与Fitch-Margoliash法的差别之处在于比较哪两个分类单元组队后树的枝长总和最小。
	=== Fitch-Margoliash 法 ===		=== Fitch-Margoliash 法 ===
	[[Fitch-Margoliash法]]（FM）:找出关系最近的组，并用剩余的组与已配对组之间进行比较，算出已配对组之间的距离，之后用此配对组作为一个整体对其他组生成新的距离矩阵，重复上述步骤，最后找出最合适的树。		[[Fitch-Margoliash法]]（FM）:找出关系最近的组，并用剩余的组与已配对组之间进行比较，算出已配对组之间的距离，之后用此配对组作为一个整体对其他组生成新的距离矩阵，重复上述步骤，最后找出最合适的树。

重庆一中宁宁：/* 邻接法 */

2025-06-23T03:14:57Z

邻接法

←上一版本		2025年6月23日 (一) 11:14的版本
第16行：		第16行：
	[[最小二乘法]]（least square method，LS）：使两序列差异的实际值与理论值之差的平方最小化。		[[最小二乘法]]（least square method，LS）：使两序列差异的实际值与理论值之差的平方最小化。
	=== 邻接法 ===		=== 邻接法 ===
	[[邻接法]]（Neighbour-joining ~~method，NJ）：以星状树起始，计算各分支长度，并逐个合并使其总长度最小化。其与Fitch~~-Margoliash法的差别之处在于比较哪两个分类单元组队后树的枝长总和最小。		[[邻接法]]（Neighbour-joining method，NJ）：以星状树起始，计算各分支长度，并逐个合并(合并后取较小值，多个距离相同时任意合并均可）使其总长度最小化。其与Fitch-Margoliash法的差别之处在于比较哪两个分类单元组队后树的枝长总和最小。
	=== Fitch-Margoliash 法 ===		=== Fitch-Margoliash 法 ===
	[[Fitch-Margoliash法]]（FM）:找出关系最近的组，并用剩余的组与已配对组之间进行比较，算出已配对组之间的距离，之后用此配对组作为一个整体对其他组生成新的距离矩阵，重复上述步骤，最后找出最合适的树。		[[Fitch-Margoliash法]]（FM）:找出关系最近的组，并用剩余的组与已配对组之间进行比较，算出已配对组之间的距离，之后用此配对组作为一个整体对其他组生成新的距离矩阵，重复上述步骤，最后找出最合适的树。

HzkHz：/* 注意 */

2025-02-20T04:55:54Z

注意

←上一版本		2025年2月20日 (四) 12:55的版本
第7行：		第7行：
	=== 贝叶斯推断 ===		=== 贝叶斯推断 ===
	[[贝叶斯推断]]（Bayesian method）：利用'''前概率与似然值'''得出后概率视为树成立的可能性，其与最大似然法的差异在于，在给定的模型和数据下，它把观察到一个特定树的概率最大化。		[[贝叶斯推断]]（Bayesian method）：利用'''前概率与似然值'''得出后概率视为树成立的可能性，其与最大似然法的差异在于，在给定的模型和数据下，它把观察到一个特定树的概率最大化。
	<ref name="由干锅鸡助教和恺凌编写，由时子延审核校对,毛蕊花糖整理">~~由干锅鸡助教和恺凌编写，由时子延审核校对,毛蕊花糖整理~~</ref>		<ref name="由干锅鸡助教和恺凌编写，由时子延审核校对,毛蕊花糖整理">由干锅鸡助教和恺凌编写，由时子延审核校对，毛蕊花糖整理</ref>
	== 基于距离的建树方法 ==		== 基于距离的建树方法 ==
	基于距离的建树，首先要计算每两条序列之间的距离，构建距离矩阵，才能		基于距离的建树，首先要计算每两条序列之间的距离，构建距离矩阵，才能

HzkHz：/* 注意 */

2025-02-20T04:54:48Z

注意

←上一版本		2025年2月20日 (四) 12:54的版本
第32行：		第32行：
	* 抽样重复检验：主要有自展检验(bootstrap)、折刀法(jack-knife)		* 抽样重复检验：主要有自展检验(bootstrap)、折刀法(jack-knife)
	* 内枝检验		* 内枝检验
	<ref name="生物信息学">陈铭~~.2018~~.生物信息学.3版.北京：科学出版社</ref>		<ref name="生物信息学">陈铭. 生物信息学. 3版. 北京：科学出版社. 2018</ref>
	== 建树软件 ==		== 建树软件 ==
	=== PHYLIP ===		=== PHYLIP ===

Yorukino：/* 基于距离的建树方法 */

2024-08-16T03:39:36Z

基于距离的建树方法

←上一版本		2024年8月16日 (五) 11:39的版本
第12行：		第12行：

	=== UPGMA法 ===		=== UPGMA法 ===
	[[UPGMA法]]（Unweighted Pair-Group Method with Arithmetic ~~means，非加权组平均法）：将差异最小的点为节点依次合并。~~		[[UPGMA法]]（Unweighted Pair-Group Method with Arithmetic means，非加权组平均法）：将差异最小的点为节点依次合并，依照此规则，本法同节点建出的二叉分支，其分支长度应当是等长的，这是UPGMA法的一大特点。
	=== 最小二乘法 ===		=== 最小二乘法 ===
	[[最小二乘法]]（least square method，LS）：使两序列差异的实际值与理论值之差的平方最小化。		[[最小二乘法]]（least square method，LS）：使两序列差异的实际值与理论值之差的平方最小化。

2024年7月31日 (三) 12:49 长河

2024-07-31T12:49:43Z

←上一版本		2024年7月31日 (三) 20:49的版本
第9行：		第9行：
	<ref name="由干锅鸡助教和恺凌编写，由时子延审核校对,毛蕊花糖整理">由干锅鸡助教和恺凌编写，由时子延审核校对,毛蕊花糖整理</ref>		<ref name="由干锅鸡助教和恺凌编写，由时子延审核校对,毛蕊花糖整理">由干锅鸡助教和恺凌编写，由时子延审核校对,毛蕊花糖整理</ref>
	== 基于距离的建树方法 ==		== 基于距离的建树方法 ==
			基于距离的建树，首先要计算每两条序列之间的距离，构建距离矩阵，才能

	=== UPGMA法 ===		=== UPGMA法 ===
	[[UPGMA法]]（Unweighted Pair-Group Method with Arithmetic means，非加权组平均法）：将差异最小的点为节点依次合并。		[[UPGMA法]]（Unweighted Pair-Group Method with Arithmetic means，非加权组平均法）：将差异最小的点为节点依次合并。
第18行：		第20行：
	[[Fitch-Margoliash法]]（FM）:找出关系最近的组，并用剩余的组与已配对组之间进行比较，算出已配对组之间的距离，之后用此配对组作为一个整体对其他组生成新的距离矩阵，重复上述步骤，最后找出最合适的树。		[[Fitch-Margoliash法]]（FM）:找出关系最近的组，并用剩余的组与已配对组之间进行比较，算出已配对组之间的距离，之后用此配对组作为一个整体对其他组生成新的距离矩阵，重复上述步骤，最后找出最合适的树。
	<ref name="由干锅鸡助教和恺凌编写，由时子延审核校对,毛蕊花糖整理"/>		<ref name="由干锅鸡助教和恺凌编写，由时子延审核校对,毛蕊花糖整理"/>

			=== 最小进化法 ===

			=== Kimura法 ===

	== 建树步骤 ==		== 建树步骤 ==
	# 选择合适的分子序列，DNA比蛋白质更加精准		# 选择合适的分子序列，DNA比蛋白质更加精准
第23行：		第30行：
	# 选择适合的建树方法		# 选择适合的建树方法
	# 系统发育树的评估		# 系统发育树的评估
	* ~~抽样重复检验：主要有自展检验、折刀法~~		* 抽样重复检验：主要有自展检验(bootstrap)、折刀法(jack-knife)
	* 内枝检验		* 内枝检验
	<ref name="生物信息学">陈铭.2018.生物信息学.3版.北京：科学出版社</ref>		<ref name="生物信息学">陈铭.2018.生物信息学.3版.北京：科学出版社</ref>

Shadowinnorth：如果按维基百科走，树的计算公式应该是没错的，缺点在于N不能取全部正整数说的不清楚（不过用错的概率不大），补了。

2024-06-19T12:22:32Z

如果按维基百科走，树的计算公式应该是没错的，缺点在于N不能取全部正整数说的不清楚（不过用错的概率不大），补了。

←上一版本		2024年6月19日 (三) 20:22的版本
第55行：		第55行：
	==注意 ==		==注意 ==
	* 需要注意的是，一般来说，基于字符的建树法准确度高于基于距离的建树法，但基于距离的建树法比基于字符的建树法更快。		* 需要注意的是，一般来说，基于字符的建树法准确度高于基于距离的建树法，但基于距离的建树法比基于字符的建树法更快。
	* 个数：对于N个分类群来说，共有Y=1×3×5×...×(2N-5)=(2N-5)!/[2<sup>N-3</sup>×(N-3)!]个无根树,有X=1×3×…×(2N-3)=(2N-3)!/[2<sup>N-2</sup>×(N-2)!]~~个有根树。~~		* 个数：对于N个分类群来说，共有Y=1×3×5×...×(2N-5)=(2N-5)!/[2<sup>N-3</sup>×(N-3)!]个无根树,有X=1×3×…×(2N-3)=(2N-3)!/[2<sup>N-2</sup>×(N-2)!]个有根树。其中，有根树的N≥2，无根树N≥3（把N叫成叶节点也是一样的）。
	* 系统树：利用结点和分支方式来表示特定类群之间演化（谱系）关系的树形图。		* 系统树：利用结点和分支方式来表示特定类群之间演化（谱系）关系的树形图。
	* 理论基础：达尔文的共同祖先学说		* 理论基础：达尔文的共同祖先学说

构建系统发生树常用方法 - 版本历史

2026年3月23日 (一) 13:33 重庆一中宁宁

Sofia：​自动添加 Sofia 模板和分类

重庆一中宁宁：​/* 邻接法 */

重庆一中宁宁：​/* 邻接法 */

重庆一中宁宁：​/* 邻接法 */

HzkHz：​/* 注意 */

HzkHz：​/* 注意 */

Yorukino：​/* 基于距离的建树方法 */

2024年7月31日 (三) 12:49 长河

Shadowinnorth：​如果按维基百科走，树的计算公式应该是没错的，缺点在于N不能取全部正整数说的不清楚（不过用错的概率不大），补了。

Sofia：自动添加 Sofia 模板和分类

重庆一中宁宁：/* 邻接法 */

重庆一中宁宁：/* 邻接法 */

重庆一中宁宁：/* 邻接法 */

HzkHz：/* 注意 */

HzkHz：/* 注意 */

Yorukino：/* 基于距离的建树方法 */

Shadowinnorth：如果按维基百科走，树的计算公式应该是没错的，缺点在于N不能取全部正整数说的不清楚（不过用错的概率不大），补了。