概述

贝叶斯系统发育学通过贝叶斯定理将先验知识与观察到的序列数据相结合，为推断进化树提供了一个概率框架。它不是返回单个最佳树，而是生成树拓扑、分支长度和替换模型参数的后验分布。这种分布量化了系统发育推断中固有的不确定性，使研究人员能够将后验概率分配给各个进化枝。参数空间的复杂性需要马尔可夫链蒙特卡罗 (MCMC) 采样，它探索数千或数百万棵树和参数值。

关键概念

MCMC 算法（通常是 Metropolis-Hastings 或 Gibbs 采样）根据后验分布生成一系列相关样本。使用有效样本量 (ESS) 和潜在规模缩减因子 (PSRF) 等诊断方法来评估收敛性。 老化期会在链达到稳定状态之前丢弃早期样本。分支上的后验概率代表包含该分支的采样树的比例，并且比引导支持值更直观。 先前分布可以包含外部信息，例如用于分子测年的化石校准。

实际工作流程

MrBayes 中的贝叶斯系统发育分析首先读取 NEXUS 格式的序列比对并指定替换模型 - 通常是由 ModelTest 或 jModelTest 基于 AIC 识别的最佳拟合模型。 MCMC 设置配置有两个独立的运行，每个运行有四个链（一个冷链和三个加热链），以改善后景观的采样。该分析运行 1-1000 万代，每 1,000 代采样一次。使用分裂频率标准差 (SDSF) 进行收敛评估，由于两次运行收敛于相似的树拓扑，因此该值应接近 0.01 以下。 MrBayes 输出一个参数文件，该文件在 Tracer 中进行检查，以确认所有连续参数的有效样本大小 (ESS) 超过 200 - 低 ESS 值表明混合不良并且需要更长的运行时间。前 10-25% 的样本将作为老化而被丢弃。每个分支的后验概率直接从共识树中读取：高于 0.95 的值被认为是强烈支持的，0.90-0.95 被认为是中等支持的，低于 0.90 被认为是弱支持的。对于 BEAST 分析，BEAUti 接口提供数据分区、时钟模型和树先验的逐步配置，并具有在宽松时钟模型下估计发散时间的附加功能。贝叶斯后验概率通常被解释为在给定数据和模型的情况下进化枝为真的概率 - 与衡量再现性的引导支持不同。报告完整的后验分布而不是单点估计是贝叶斯框架的一个关键优势。

应用程序

当不确定性评估至关重要时，例如在保护遗传学、流行病学预测和物种界定中，贝叶斯系统发育学尤其受到重视。它擅长整合多种数据类型，包括形态特征和地层范围。在实践中，贝叶斯分析补充了 DNA 测序 研究，并可以很好地扩展来自 [下一代测序](/guides/next- Generation-sequencing.html) 的数据。它们经常用于解决细菌遗传学中的关系，其中水平基因转移和重组会产生贝叶斯模型可以适应的相互冲突的系统发育信号。