python - 随机超度量树

Question

我已经在 python 上实现了一个生成随机二叉树的程序。所以现在我想为树的每个内部节点分配一个距离以使其成为超度量。然后，根和任何叶子之间的距离必须相同。如果节点是叶子，则距离为空。这是一个节点:

class Node() :
    def __init__(self, G = None , D = None) :
        self.id = ""
        self.distG = 0
        self.distD = 0
        self.G = G
        self.D = D
        self.parent = None

我的想法是在开始时设置距离 h 并在找到内部节点时减少它，但它只在左侧工作。

def lgBrancheRand(self, h) :
    self.distD = h
    self.distG = h
    hrandomD = round(np.random.uniform(0,h),3)
    hrandomG = round(np.random.uniform(0,h),3)
    if self.D.D is not None :
        self.D.distD = hrandomD
        self.distD = round(h-hrandomD,3)
        lgBrancheRand(self.D,hrandomD)
    if self.G.G is not None :
        self.G.distG = hrandomG
        self.distG = round(h-hrandomG,3)
        lgBrancheRand(self.G,hrandomG)

Answer 1

总而言之，您将创建随机矩阵并对每个矩阵应用 UPGMA。

下面有更完整的答案

简单的使用UPGMA算法。这是一种用于解析成对矩阵的聚类算法。

您将两对“类群”(技术上称为 OTU)之间的总遗传距离除以二。您将成对矩阵中最接近的成员指定为第一个“节点”。重新格式化矩阵，以便将这两对组合成一个组(“删除”)并无限查找下一个“最近的邻居”。我怀疑 R 'ape' 会有一个超度量算法，可以让你免于编程。我看到你正在使用 Python，所以 BioPython 可能有这个(大 MIGHT)，我个人会通过一个预编译的 C 程序来传递它，并通过 paup 之类的东西收集结果。我不打算编写代码，因为我更喜欢 Perl，如果 Python 问题中出现任何 Perl 代码(帝国已经建立)，我会被激怒。

无论如何你会发现这个算法产生了一个完美的超度量树。最纯粹的人不喜欢通过这种算法派生的超度量树。但是，在您的计算中它可能很有用，因为您可以从真实数据中找到系统发育，这与您正在生成的空分布最“类似时钟”。在这种情况下，它会很酷。

---

您可能更愿意在 bioinformatics stackexchange 上提出问题。