More than ever, today we are left with the abundance of molecular data outpaced by the advancements of the phylogenomic methods. Especially in the case of presence of many genes over a set of species under the phylogeny question, more sophisticated methods than the crude way of concatenation is needed. In this letter, by placing the continuous-time Markov chain (CTMC) on the species set, I present a novel model for inferring the phylogeny, obtaining the network graph, or drawing the proximity conclusions. The rate of transition between states is calculated based on the binary character paths between each two species. This is the base for the pairwise distances between species. Next to its generic use, the formulation of the model allows the site-wise phylogenetic inference and a mathematically justified method of combining these information to form as big as the whole genome phylogenetic inference. Although based on the characters or traits, this model is inherently a distance method but its advantage to other methods of the same class is its ability to incorporate the information of all the other species in forming the pairwise distance between two them.


翻译:今天,由于植物基因学方法的进步,我们比以往更加需要大量的分子数据。 特别是,在植物基因问题下,在一系列物种上存在许多基因的情况下,需要比粗略的凝聚方式更复杂的方法。 在本信里,通过将连续时间的Markov链(CTMC)放在物种组中,我提出了一个新的模型,用以推断植物基因,获取网络图,或绘制近距离结论。 国家间的转变速度根据两种物种之间的二元字符路径计算。 这是物种间对齐距离的基础。除了其通用用途外,模型的配方还允许根据地点的植物基因推断法和一种数学上合理的方法,将这些信息合并成与整个基因组的植物遗传学推断法一样大。 尽管基于特性或特征,这一模型本质上是一种距离方法,但它对同类物种的其他方法的优势在于它能够将所有其他物种的信息纳入到它们之间的对齐距离。

0
下载
关闭预览

相关内容

马尔可夫链,因安德烈·马尔可夫(A.A.Markov,1856-1922)得名,是指数学中具有马尔可夫性质的离散事件随机过程。该过程中,在给定当前知识或信息的情况下,过去(即当前以前的历史状态)对于预测将来(即当前以后的未来状态)是无关的。 在马尔可夫链的每一步,系统根据概率分布,可以从一个状态变到另一个状态,也可以保持当前状态。状态的改变叫做转移,与不同的状态改变相关的概率叫做转移概率。随机漫步就是马尔可夫链的例子。随机漫步中每一步的状态是在图形中的点,每一步可以移动到任何一个相邻的点,在这里移动到每一个点的概率都是相同的(无论之前漫步路径是如何的)。
【2020新书】Python文本分析,104页pdf
专知会员服务
98+阅读 · 2020年12月23日
【2020新书】概率机器学习,附212页pdf与slides
专知会员服务
108+阅读 · 2020年11月12日
Stabilizing Transformers for Reinforcement Learning
专知会员服务
59+阅读 · 2019年10月17日
强化学习最新教程,17页pdf
专知会员服务
174+阅读 · 2019年10月11日
Hierarchically Structured Meta-learning
CreateAMind
26+阅读 · 2019年5月22日
Transferring Knowledge across Learning Processes
CreateAMind
27+阅读 · 2019年5月18日
强化学习的Unsupervised Meta-Learning
CreateAMind
17+阅读 · 2019年1月7日
Unsupervised Learning via Meta-Learning
CreateAMind
42+阅读 · 2019年1月3日
A Technical Overview of AI & ML in 2018 & Trends for 2019
待字闺中
16+阅读 · 2018年12月24日
Disentangled的假设的探讨
CreateAMind
9+阅读 · 2018年12月10日
【论文】变分推断(Variational inference)的总结
机器学习研究会
39+阅读 · 2017年11月16日
gan生成图像at 1024² 的 代码 论文
CreateAMind
4+阅读 · 2017年10月31日
Auto-Encoding GAN
CreateAMind
7+阅读 · 2017年8月4日
强化学习 cartpole_a3c
CreateAMind
9+阅读 · 2017年7月21日
Imitation by Predicting Observations
Arxiv
4+阅读 · 2021年7月8日
Arxiv
4+阅读 · 2018年5月21日
Arxiv
4+阅读 · 2018年4月26日
VIP会员
相关资讯
Hierarchically Structured Meta-learning
CreateAMind
26+阅读 · 2019年5月22日
Transferring Knowledge across Learning Processes
CreateAMind
27+阅读 · 2019年5月18日
强化学习的Unsupervised Meta-Learning
CreateAMind
17+阅读 · 2019年1月7日
Unsupervised Learning via Meta-Learning
CreateAMind
42+阅读 · 2019年1月3日
A Technical Overview of AI & ML in 2018 & Trends for 2019
待字闺中
16+阅读 · 2018年12月24日
Disentangled的假设的探讨
CreateAMind
9+阅读 · 2018年12月10日
【论文】变分推断(Variational inference)的总结
机器学习研究会
39+阅读 · 2017年11月16日
gan生成图像at 1024² 的 代码 论文
CreateAMind
4+阅读 · 2017年10月31日
Auto-Encoding GAN
CreateAMind
7+阅读 · 2017年8月4日
强化学习 cartpole_a3c
CreateAMind
9+阅读 · 2017年7月21日
Top
微信扫码咨询专知VIP会员