Биология · объяснение и практика
Почему доля различий в ДНК меньше числа произошедших замен
Оценить дистанцию Джукса Кантора по уже выровненным последовательностям с исключением неопределённых позиций. Разобраны метод, собственный пример, проверка результата и границы вывода.

В теме Эволюция и история родства · Учебная карта
Главная мысль
Наблюдаемые несовпадения показывают различия конечных состояний, но пропускают повторные и обратные замены. Модель Джукса—Кантора исправляет это расхождение при равных частотах оснований и одинаковых темпах замен. Коррекция имеет область определимости и не заменяет выравнивание.
Постановка и метод
Две последовательности заранее выравнивают, чтобы одинаковые столбцы представляли сопоставимые позиции. Инструмент не ищет гомологию и не вставляет пропуски. В каждом столбце сравниваются только пары определённых оснований A, C, G и T. Если хотя бы с одной стороны стоит N или пропуск, столбец исключается из знаменателя и числителя.
Посчитайте число пригодных позиций и несовпадений, затем их отношение p. Для p меньше трёх четвертей дистанция равна минус трём четвертям натурального логарифма от единицы минус четыре трети p. Результат выражен ожидаемым числом замен на позицию в принятой модели, а не процентом непохожести двух строк.
Пример и проверка
При малой доле несовпадений исправленная дистанция близка к самой доле, но несколько больше. Это проверяется разложением логарифма: первый член возвращает p. Такая проверка помогает обнаружить десятичный логарифм или лишний множитель сто. При нуле несовпадений дистанция должна быть нулевой, если сохранилась хотя бы одна пригодная позиция.
Отдельно полезно вывести число переходов и трансверсий среди наблюдаемых различий. Эти счётчики не меняют формулу Джукса—Кантора, но помогают увидеть, что модель не различает их темпы. Большой перекос не доказывает ошибку данных, однако напоминает, что более богатая модель замен может описывать биологический процесс лучше.
Пример
Сравним ACGTACGT и ACGTACGA. Все восемь позиций пригодны; различается последняя пара T и A.
Получаем p=1/8=0,125. Дистанция равна −0,75·ln(5/6)≈0,136741 замены на позицию. Это больше наблюдаемой доли, поскольку допускаются скрытые повторные замены.
Ошибка и границы вывода
При доле несовпадений, достигающей трёх четвертей, конечная обратная оценка перестаёт существовать. Нельзя продолжать логарифм с модулем или искусственно ограничивать ответ произвольным большим числом. Это насыщение модели: разные истории замен становятся неразличимыми по конечной доле несовпадений. Отсутствие пригодных позиций является другой проблемой и тоже требует отдельного сообщения.
Дистанция не является датой расхождения и не определяет направление эволюции. Для времени нужны дополнительные предположения о темпе замен, а для надёжного сравнения — качество выравнивания и адекватность модели. В примере используются вымышленные короткие строки, не медицинские данные; такая малая длина служит проверке арифметики, а не статистической точности.
От чтения к действию
А теперь — вы
Частые вопросы
Считается ли пропуск дополнительной заменой?
В этой реализации нет: столбец с пропуском исключается. Модели вставок и удалений требуют отдельной постановки.
Можно ли получить возраст вида прямо из дистанции?
Нет. Дистанция имеет единицы замен на позицию; перевод во время требует независимого темпа и дополнительных допущений.
Углублённый разбор
Насыщение JC: максимум правдоподобия уходит на бесконечность
Ограниченная вероятность JC меняет задачу максимизации: на границе насыщения данные имеют супремум правдоподобия без конечной оценки расстояния.
Перед началом: Биномиальная вероятность числа несовпадений; Монотонность вероятности различия в JC.
Вывод и выбор модели
Для независимых позиций модели JC вероятность различия p(d)=3[1−exp(−4d/3)]/4 ограничена сверху 3/4. При наблюдаемой доле не меньше этой границы биномиальное правдоподобие не имеет конечного максимизатора по d.
Обратная формула расстояния обычно начинает с наблюдаемой доли несовпадений. Однако конечная выборка может дать долю, достигающую или превышающую предельные три четверти. Чтобы понять такой случай, следует вернуться от обратной формулы к вероятностной модели данных. Параметр d допускается неотрицательным, а соответствующая вероятность p(d) возрастает к трём четвертям и не достигает этой границы при конечном d.
При m несовпадениях среди n независимых позиций правдоподобие пропорционально p^m(1−p)^(n−m). Его логарифмическая производная равна m/p−(n−m)/(1−p). Без ограничения максимум лежал бы при p=m/n. Если эта доля не меньше3/4, производная положительна на всём внутреннем диапазоне JC. Значит любую конечную дистанцию можно заменить большей и получить более высокое правдоподобие. Это утверждение о форме функции, а не попытка вычислить логарифм нуля.
Как интерпретировать наблюдение
Насыщение — ограничение статистической обратной задачи. Наблюдение на границе даёт супремум правдоподобия при d→∞, а не доказательство бесконечной биологической истории.
Сравнение двух правдоподобий не требует биномиального коэффициента: один и тот же наблюдаемый исход имеет одинаковое число перестановок при обеих гипотезах. В собственном примере предельное значение примерно в13,68 раза больше значения при p=1/2. Это отношение показывает предпочтение по данным внутри модели, но само не является вероятностью истинности гипотезы. Для такого вероятностного вывода потребовались бы дополнительные априорные соглашения.
Ограничения и проверка предпосылок
20 независимых пригодных позиций, модель JC с равными частотами оснований и постоянной скоростью. Сравниваются вероятности числа различий при p=1/2 и предельном p=3/4; комбинаторный множитель одинаков.
Граница параметра и статистическая неопределённость не исчезают при выдаче большого конечного числа вместо бесконечности. Искусственное ограничение d сверху просто прижмёт максимум к выбранному пределу программы. Коррелированные позиции, неравные частоты оснований и ошибки выравнивания требуют других вероятностных моделей. Даже при точном JC конечная выборка способна флуктуировать выше3/4; это не делает наблюдённую долю невозможной, поскольку ограничивается параметр распределения, а не каждая его реализация.
Самостоятельный расчёт с проверкой
Условие. В 20 выровненных независимых позициях найдены 15 несовпадений. Найти отношение предельного биномиального правдоподобия при p→3/4 к правдоподобию при p=1/2.
- Число совпадений равно 20−15=5.
- Общий биномиальный коэффициент сокращается в отношении.
- Отношение равно (3/2)¹⁵·(1/2)⁵=3¹⁵/2²⁰.
- Получаем приблизительно 13,684184.
Ответ. Результат: ≈13,684184.
Проверка. Логарифмическая производная по p равна 15/p−5/(1−p), положительна для p<0,75. Поэтому любое конечное JC расстояние уступает некоторому большему; конечного максимума нет.
Где легко ошибиться. Подставить модуль отрицательного аргумента логарифма либо объявить бесконечную оценку доказательством бесконечного числа реальных замен.
Проверьте понимание
Вопросы к этой главе
Может ли выборочная доля быть выше3/4 при модели JC?
Да. Биномиальная реализация случайна и может превысить свою вероятность. Модель ограничивает p(d), а не все возможные доли конечной выборки.
Почему здесь говорят о супремуме?
Предельное значение достигается только при d→∞. Для любого конечного d вероятность p(d) меньше3/4 и правдоподобие ещё можно увеличить.
Сверить определения и условия
Объяснение и задачи написаны для erudeet. Эти источники используются для проверки понятий и границ модели.
- Oregon State, Applied Bioinformatics, §4.3.3
Прочитан §4.3.3: равные частоты оснований, матрица переходов JC69 и обратная дистанция. Биномиальное правдоподобие и сравнение его супремума ниже построены самостоятельно; это не чужой пример.
Переходы и трансверсии в двухпараметрической модели
Разделение переходов и трансверсий восстанавливает два затухающих режима модели и даёт дистанцию, которую одна общая доля несовпадений не определяет.
Перед началом: Различие пуринов и пиримидинов; Натуральный логарифм и положительность его аргумента.
Вывод и выбор модели
Двухпараметрическая поправка Кимуры различает доли переходов P и трансверсий Q: d=−ln(1−2P−Q)/2−ln(1−2Q)/4.
Переходы соединяют основания внутри одной химической группы, а трансверсии — между группами. Наблюдаемые P и Q суммируются в долю несовпадений, но содержат дополнительную информацию о составе различий. Модель с равными частотами оснований разрешает одну скорость α для переходов и одну β для каждой трансверсии. Здесь не предполагается обязательное неравенство α>β: это параметрическое допущение, которое данные ещё должны поддержать.
Два сочетания наблюдаемых частот выделяют независимые режимы затухания: u=1−2Q и v=1−2P−Q. В непрерывной модели они равны exp(−4βt) и exp[−2(α+β)t]. Поэтому отрицательные или нулевые значения не допускают конечного обратного решения. Логарифмы дают βt=−lnu/4 и αt=−lnv/2−βt. Дистанция считает все три исходящие возможности: d=(α+2β)t, что возвращает два логарифмических слагаемых.
Как интерпретировать наблюдение
Одинаковая общая доля различий не гарантирует одинаковое исправленное расстояние, если различается состав замен. Модель уточняет один из симметричных постулатов Джукса — Кантора.
В собственном примере u=0,8 и v=0,7. Получаются βt≈0,055786 и αt≈0,122552, оба неотрицательны. Обратная подстановка Q=(1−u)/2 и P=(1+u−2v)/4 возвращает по0,10. Эта проверка использует модель переходов и проверяет не только одно итоговое число. Простая доля P+Q=0,20 ниже дистанции, поскольку конечные различия не учитывают каждое событие замены.
Ограничения и проверка предпосылок
Последовательности выровнены, позиции независимы, частоты оснований равны. Логарифмические аргументы должны быть положительны; инделы не считаются заменами.
Положительность логарифмических аргументов необходима, но для неотрицательной α дополнительно требуется v≤√u. При крайних выборочных частотах формальное выражение может нарушить это условие, и тогда оценку параметров приходится искать с ограничением. При одинаковых α и β модель сводится к равным скоростям JC. Такое равенство задаёт отношение P=Q/2 в ожидаемых частотах; произвольное совпадение P=Q само по себе не означает симметрию всех трёх замен.
Самостоятельный расчёт с проверкой
Условие. Пусть P=0,10 и Q=0,10. Найти исправленное расстояние по заданной двухпараметрической формуле.
- Первый логарифмический аргумент равен 1−0,20−0,10=0,70.
- Второй равен 1−0,20=0,80.
- Вычисляем −ln0,70/2−ln0,80/4.
- Получаем приблизительно 0,234123 перехода на позицию.
Ответ. Результат: ≈0,23412336 замены/позицию.
Проверка. Оба аргумента положительны. Исправленное расстояние больше сырой суммы P+Q=0,20, поскольку учитывает скрытые повторные замены.
Где легко ошибиться. Назвать P и Q вероятностями элементарных событий за всю историю: они считают только различные конечные основания и уже скрывают повторные замены.
Проверьте понимание
Вопросы к этой главе
Почему Q содержит два направления замены?
Для каждого основания существуют два основания другой химической группы. Параметр β относится к каждому направлению, а наблюдаемая Q объединяет обе трансверсии.
Одинаковая P+Q означает одинаковое расстояние?
Нет. Два режима зависят от P и Q по-разному, поэтому состав несовпадений может изменить d при сохранении общей доли.
Сверить определения и условия
Объяснение и задачи написаны для erudeet. Эти источники используются для проверки понятий и границ модели.
- Oregon State, Applied Bioinformatics, §4.3.4
Прочитан §4.3.4: разные скорости переходов и трансверсий, Q-матрица и формула4.10 с двумя логарифмами. Независимая проверка обратных вероятностей и числа примера принадлежат этой главе.
JC как оператор: составление двух эволюционных ветвей
Оператор JC удобно разложить на равномерную и контрастную части. При составлении двух ветвей перемножаются контрастные множители, поэтому исправленные длины складываются, а доли различий — нет.
Перед началом: Алгебраические преобразования и проверка единиц; Базовая модель родительского урока.
Проекторное разложение делает композицию прозрачной
В четырёхсостоянийной симметричной модели обозначим P=J/4, где J — матрица из единиц. Она проектирует вектор на равномерную компоненту: P²=P. Дополнение Q=I−P имеет Q²=Q и PQ=QP=0. Переходный оператор одной ветви T(r)=P+rQ, где 0≤r≤1 — контрастный множитель.
Диагональный элемент равен 1/4+3r/4, каждый внедиагональный 1/4−r/4. Сумма строки единична. В этой главе оператор задан и исследуется алгебраически; мы не оцениваем r по конечным выборкам и не проводим статистические тесты последовательностей.
Две ветви перемножают только контраст
Произведение T(r1)T(r2)=(P+r1Q)(P+r2Q)=P+r1r2Q. Следовательно, rtotal=r1r2. При r=exp(−4d/3), где d≥0 — длина в заданном масштабе замен, получаем dtotal=d1+d2. Аддитивность исправленной длины является следствием полугруппы операторов.
Доля различий p=3(1−r)/4. Поэтому ptotal=p1+p2−(4/3)p1p2, а не p1+p2. Последний отрицательный член отражает возможность повторных изменений и возвращений к исходному состоянию внутри модели. При малых p он мал, но при длинных ветвях простая сумма может даже выйти за допустимые 3/4.
Алгебраическая проверка отличается от обратной оценки расстояния
Если r=0, оператор полностью равномерный и последующая композиция остаётся равномерной. Обратная длина тогда бесконечна. При r=1 имеем I и нулевую ветвь. Эти граничные случаи проверяют формулы без обращения к наблюдённым частотам или оптимизации правдоподобия.
Модель предполагает одинаковые стационарные частоты и симметрию замен между всеми четырьмя состояниями. При другой матрице генератора переходы всё ещё могут образовывать полугруппу по времени, но один скалярный r уже не описывает весь оператор. Поэтому простая формула ptotal ограничена именно заданным симметричным семейством.
Самостоятельный разбор заданной модели
Условие. Две ветви имеют r1=1/2 и r2=1/3. Найдите их доли различий, общую долю и проверьте композицию.
- p1=(3/4)(1−1/2)=3/8; p2=(3/4)(1−1/3)=1/2.
- Контраст произведения rtotal=(1/2)(1/3)=1/6.
- Общая доля ptotal=(3/4)(1−1/6)=5/8.
- Проверка через доли: 3/8+1/2−(4/3)(3/8)(1/2)=7/8−1/4=5/8.
Ответ. Доли отдельных ветвей 3/8 и 1/2, общая 5/8; простая сумма 7/8 неверна.
Проверка. Исправленные длины d1=(3/4)ln2 и d2=(3/4)ln3 складываются в (3/4)ln6, соответствующую r=1/6. Нулевая смешанная часть PQ подтверждает точность операторной композиции.
Где легко ошибиться. Не складывайте доли несовпадений как длины ветвей. Аддитивна логарифмическая длина, а наблюдаемая доля является нелинейной функцией контраста.
Проверьте понимание
Вопросы к этой главе
Почему сумма 7/8 сразу подозрительна?
В заданной четырёхсостоянийной модели доля различий при длинной ветви стремится к 3/4. Значение выше этой границы не соответствует ни одному r от нуля до единицы.
Это вывод о реальной эволюции всех генов?
Нет: это точная алгебра выбранного JC-оператора. Реальные неоднородные скорости и частоты оснований могут требовать другого семейства матриц.
Сверить определения и условия
Объяснение и задачи написаны для erudeet. Эти источники используются для проверки понятий и границ модели.
- Felsenstein — PHYLIP DNADIST documentation
Оригинальная документация описывает модели нуклеотидных расстояний, включая JC. Проекторное доказательство композиции в главе является самостоятельным операторным расчётом, без статистической оценки данных.
Дерево последовательностей: совместное правдоподобие считают по внутренним вершинам
Попарных расстояний недостаточно для вычисления правдоподобия всей конфигурации оснований. Листья разделяют скрытых предков, поэтому их парные события не независимы. На дереве с двумя внутренними вершинами посчитаем условные сообщения от листьев к корню и проверим результат прямым перебором всех предковых оснований.
Перед началом: Условная независимость; Переходная матрица модели Джукса — Кантора.
Лист задаёт наблюдение, внутренняя вершина суммирует неизвестное
Одна выровненная нуклеотидная позиция, заданное дерево и независимые ветви условно по состояниям предков. На всех четырёх рёбрах одна JC-матрица; параметры не подбираются по данным.
У листа с наблюдаемым A вектор L имеет компоненту один для A и нули для остальных оснований. Для внутренней вершины v обозначим Lᵥ(r) вероятность наблюдений под ней при её состоянии r. Сообщение ребёнка u родителю с состоянием r равно ΣₛPᵣₛLᵤ(s). Сообщения разных дочерних ветвей перемножаются, поскольку их дальнейшая эволюция условно независима при фиксированном состоянии родителя.
В корне остаётся сумма ΣᵣπᵣLroot(r), где π — заданное распределение корневого основания. Это вероятность данных при дереве и параметрах, а не вероятность дерева при данных. Для последнего потребовались бы также априорные вероятности и нормировка по гипотезам.
Сохранённые поддеревья избавляют от повторного перебора
Наивный способ суммирует произведение переходов по всем сочетаниям внутренних оснований. Pruning сохраняет четыре условных числа для каждого поддерева и повторно использует их у родителя. Суммирование и умножение меняют порядок, но учитывают те же совместные события. Увеличение числа листьев не требует перечислять все сочетания предков заново.
Для многих независимых позиций перемножаются их вероятности, обычно через сумму логарифмов. На длинных деревьях сообщения масштабируют с учётом вынесенных множителей, чтобы избежать численного обнуления. Эти вычислительные приёмы не разрешают молча считать независимыми разные листья одной позиции: у них общая история.
Дерево с короткой внутренней ветвью уже требует совместного расчёта
Пусть корень R связан с листом1 и внутренней вершиной U; U связана с листьями2 и3. На каждом ребре P имеет диагональ 1/2 и каждый внедиагональный элемент 1/6. Это допустимая JC-матрица с контрастом 1/3. Корень равномерный, а наблюдения листьев равны A,A,G.
Для U произведение вероятностей дочерних наблюдений равно 1/12 при состояниях A или G и 1/36 при C или T. Последующее сообщение к R учитывает переход R→U. В отличие от одних попарных расстояний здесь явно сохранено, какие листья имеют общего ближайшего предка.
Две внутренние суммы дают точную дробь
Условие. Для объявленного дерева R→лист1 и R→U→листья2,3 найдите вероятность наблюдения (A,A,G), если на каждом ребре диагональ P равна 1/2, прочие элементы 1/6, а πᵣ=1/4.
- У U условные значения для состояний A,G равны (1/2)(1/6)=1/12; для C,T — (1/6)²=1/36.
- Сообщение U к R при R=A или G равно (1/2)(1/12)+(1/6)(1/12+1/36+1/36)=7/108. При R=C или T оно равно 5/108.
- Умножаем на вероятность A в листе1: для R=A получаем 7/216, для R=G — 7/648, для R=C,T — по 5/648.
- Сумма этих четырёх значений равна 38/648. Корневой вес 1/4 даёт L=19/1296≈0,0146605.
- Прямой перебор четырёх значений R и четырёх U складывает 16 произведений и возвращает ту же дробь. Сумма вероятностей всех 64 возможных трёхбуквенных наблюдений равна единице.
Ответ. Совместная вероятность одного заданного столбца равна 19/1296, а не произведению трёх попарных вероятностей.
Проверка. Попарные вероятности здесь P(лист1=A,лист2=A)=5/72, P(лист1=A,лист3=G)=13/216, P(лист2=A,лист3=G)=1/18. Их произведение 65/279936 не совпадает с 19/1296 и повторно использует одни наблюдения.
Где легко ошибиться. Не интерпретируйте likelihood как апостериорную вероятность дерева и не перемножайте попарные likelihood, считая их независимыми данными.
Проверьте понимание
Вопросы к этой главе
Нужно ли угадывать единственное основание предка?
Нет. Для likelihood неизвестное основание суммируется по всем четырём возможностям. Выбор одного «самого правдоподобного» предка вычислял бы иную величину.
Одна позиция доказывает верное дерево?
Нет. Задача проверяет вычисление при заданной модели. Выбор топологии, ветвей и статистическая неопределённость требуют отдельного анализа множества данных.
Сверить определения и условия
Объяснение и задачи написаны для erudeet. Эти источники используются для проверки понятий и границ модели.
- Bret Larget: Felsenstein pruning algorithm
Прочитаны слайды31–34 об условных поддеревьях и усреднении в корне. Своя четырёхрёберная модель, дробь19/1296, перебор16 предковых пар и проверка64 наблюдений рассчитаны отдельно.
Источники и работа с материалом
Объяснение, примеры и вопросы написаны для erudeet. Факты и определения сверены по источникам ниже; это ссылки для самостоятельной проверки.
Продолжить разбираться
Как отделить частоты аллелей от неравновесия по сцеплению
Вычислить D Dprime и r квадрат по четырём частотам фазированных гаплотипов. Разобраны метод, собственный пример, проверка результата и границы вывода.
Открыть темуКак собрать матрицу родства по порядку поколений
Построить аддитивную матрицу родства и коэффициенты инбридинга по учебной родословной. Разобраны метод, собственный пример, проверка результата и границы вывода.
Открыть темуПочему сходство с материнской линией не доказывает один механизм наследования
Различить материнское влияние на развитие и передачу цитоплазматических наследственных факторов. Разобраны метод, собственный пример, проверка результата и границы вывода.
Открыть тему