Sunum yükleniyor. Lütfen bekleyiniz

Sunum yükleniyor. Lütfen bekleyiniz

Filogenetik Analiz Metotları EMRE SEV İ ND İ K 2009—09 DANIŞMAN: FAT İ H COŞKUN.

Benzer bir sunumlar


... konulu sunumlar: "Filogenetik Analiz Metotları EMRE SEV İ ND İ K 2009—09 DANIŞMAN: FAT İ H COŞKUN."— Sunum transkripti:

1 Filogenetik Analiz Metotları EMRE SEV İ ND İ K 2009—09 DANIŞMAN: FAT İ H COŞKUN

2 F İ LOGEN İ  Filogeni, en kısa deyimle ile evrimsel şecere ilişkisi olarak tanımlanabilir. Tür ve tür üstü kategoriler jeolojik dönemlerde türleşme süreçleri ile oluşmuşlardır.  Bu türleşme süreçlerinin açıklanması ile taksonlar arasındaki akrabalık ilişkide açıklanmış olur.

3 FENET İ K EKOL VEYA NUMER İ K FENET İ K  Taksonlar arasındaki benzerli ğ in derecesini esas almaktadır. Bu yol ile de bir sınıflandırmanın oluşaca ğ ı savunulmaktadır.  Çünkü en fazla benzerlik ortak bir ataya sahip bireyler arasında beklenir.  Numerik fenetik: Bireylerin eşit ölçüde de ğ er verilmiş hemen bütün benzerliklerinin de ğ erlendirilmesidir.

4 FENET İ K EKOL VEYA NUMER İ K FENET İ K  Numerik fenetik evrimsel ve filogentiçiler tarafından homoplastik karakterlerin (paralel evrim veya ba ğ ımsız olarak kazanılan benzerlikler) ve eski atalardan kalan benzerliklerin eleştirilmesidir.  Her bir karaktere eşit de ğ er biçer ve olası ölçüde tüm benzerlikleri dikkate aldı ğ ı için do ğ al sınıflandırmaya yakın bir sınıflandımadır.

5 F İ LOGENET İ K A Ğ AÇ OLUŞTURMA METOTLARI  Bu a ğ açlar genellikle oldukça karmaşık yöntemler ile elde edilirler. Günümüzde kullanılmakta olan yöntemler temel olarak ini başlık altında toplanmaktadır.  1) Mesafe Temelli Yöntemler: Dizi hizalanması (alignment) temeline dayanarak hesaplanan dizi çiftleri arasındaki farklılıkların miktarına (mesafeye) dayanır.

6 F İ LOGENET İ K A Ğ AÇ OLUŞTURMA METOTLARI 2) Karakter Temelli Yöntemler: Farklı karakterlere dayanmaktadır ki bu karakterler her bir taksondaki canlıya ait olan moleküler dizilerdir.

7 F İ LOGENET İ K A Ğ AÇ OLUŞTURMA METOTLARI  1) Mesafe Temelli Yöntemler(Distance- based) a) Kümelenme Temelli Yöntem  UPGMA(Unweighted Pair Group Method Algorithm)  Neighbor-Joining (NJ) b) En iyi durum(optimum) Temelli Yöntem

8 F İ LOGENET İ K A Ğ AÇ OLUŞTURMA METOTLARI 2) Karakter Temelli Yöntemler(Character-based)  Maximum Parsimony(MP)  Maximum Likelihood(ML)  Bayesian inference

9 MESAFE TEMELL İ YÖNTEMLER  Dizi hizalanması (alignment) temeline dayanarak hesaplanan dizi çiftleri arasındaki farklılıkların miktarına (mesafeye) dayanır.Dizi hizalanması sonucu hesaplanan evrimsel mesafeler, her bir takson çifti arasındaki mesafelerin bir matrisinin oluşturulmasında kullanılabilirler.

10 MESAFE TEMELL İ YÖNTEMLER Matristeki bu çiftli mesafe skorlarına dayanarak tüm taksonlar için bir filogenetik a ğ aç oluşturulabilir. Bu yöntemde kullanılan algoritmalar, kümelenme temelli veya en iyi durum (optimum durum) temelli olarak iki kola ayrılırlar

11 MESAFE TEMELL İ YÖNTEMLER Kümelenme temelli algoritmalar, en benzer dizi çiftlerinden başlayan bir mesafe matrisine dayanarak filogenetik a ğ acı hesap ederler. Bu algoritmalar, aritmetik ortalamayı kullanarak a ğ ırlıklı olmayan çift grup yöntemini (UPGMA (unweighted pair group mean aritmetic) ve komşu birleştirme yöntemini içerirler.

12 MESAFE TEMELL İ YÖNTEMLER Genetik uzaklık yöntemi filogenetik a ğ acı oluşturmak için dizi grubunda her bir çift arasında de ğ işikliklerin sayısını temel alır. Birbirlerine genetik uzaklı ğ ı en az olan türler birleştirilerek bir a ğ aç oluşturulur. Aralarında az sayıda nükleotid de ğ işikli ğ i olan bu dizi çiftleri komsu (neighbours) olarak adlandırılır.

13 MESAFE TEMELL İ YÖNTEMLER a) Kümelenme temelli algoritmalar : En benzer dizi çiftlerinden başlayan bir mesafe matrisine dayanarak filogenetik a ğ acı hesap ederler. Bu algoritmalar, aritmetik ortalamayı kullanırlar

14 UPGMA UPGMA  UPGMA yönteminde tahmin edilen mesafeler ile gerçek evrimsel mesafeler tam olarak uyuşmamaktadır. Bu da yöntemin yeterince başarılı olmadı ğ ını göstermektedir.  A ğ acın dalları boyunca de ğ işiklik hızının sabit oldu ğ unu varsayar  Bu nedenle hesaplamaları yaparken a ğ acın kökünü (root – ortak ata) de hesaplar.

15 UPGMA Avantajları:  İ ndirekt ölçümlü uzaklıklarda kullanılabilir (immunolojik, hybridizasyon).  Uzaklıklar görülmeyen eventslarla düzeltilebilir.  En hızlı metotlardandır.  Bundan dolayı çok geniş data setleri çabukça analiz edebilir.  Bazı orantı analizlerinde kullanılabilirler.

16 UPGMA  Dezavantajları:  Benzerlik ve ilişkiler aynı karakterde kullanılmaz, benzerli ğ e göre sıralama, evrimsel a ğ acın verilişinde kullanılmaz.  Karakter analizinde kullanılamazlar.

17 UPGMA  UPGMA yöntemi ile filogenetik a ğ aç oluşturmaya bir örnek : ABC B0.40 C0,350,45 D0,600,700,55

18 UPGMA 4 takson (A,B,C,D) içeren bir mesafe matrisi kullanılarak UPGMA yöntemi ile öncellikle en yakın iki takson ( A ve C, aralarındaki mesafe 0,35) birleştirilir. Tüm taksonlar bo ğ um noktasından eşit uzaklıkta olduklarından (Bu, UPGMA yönteminde bir varsayımdır.) A’dan ve C’den dü ğ üm noktasında olan dal uzunlu ğ u 0,35/2= 0,175’tir.

19 UPGMA

20 NE İ GHBOR-JO İ N İ NG NE İ GHBOR-JO İ N İ NG  Komşu Birleştirme Yöntemi’nde ise kümelenme temelli algoritmada oldu ğ u gibi taksonların kökten eşit uzaklıkta oldu ğ u varsayılmaz.  Bu yöntem ile sadece bir tane a ğ aç oluşturulur ve di ğ er olası a ğ aç topolojileri test edilmez. Bu sorunun giderilmesi için genelleştirilmiş komşu birleştirme yöntemi geliştirilmiştir.

21 NE İ GHBOR-JO İ N İ NG Avantajları :  Çok verimlidir.  Geniş veri kümelerini analiz edebilir. Dezavantajları :  Tüm olası topolojileri inceleyemez

22 MESAFE TEMELL İ YÖNTEMLER  b) En iyi durum temelli algoritmalar: Pek çok farklı a ğ aç topolojisini (pek çok noktadan ve dallardan oluşan bir a ğ yapısı) karşılaştırırlar ve a ğ açtaki önceden tahmin edilen mesafeler ile gerçek evrimsel mesafeler arasındaki en iyi uyumu göstereni seçerler.

23 KARAKTER TEMELL İ YÖNTEMLER  Farklı karakterlere dayanmaktadır ki bu karakterler her bir taksondaki canlıya ait olan moleküler dizilerdir.  MAKS İ MUM PARSIMONY  MAKS İ MUM L İ KEL İ HOOD  BAYES İ AN METODU

24 MAKS İ MUM PARSIMONY METODU  İ ki birim arasında en az de ğ işiklik gerektiren a ğ aç en makul olan a ğ açtır. Yani en az farklı olan birimler, birbirine en yakın ve benzeyen birimlerdir. A ğ acın belirlenmesinde işlemin daha kısa zamanda tamamlanması için en zengin filogenetik bilgiye sahip olan az sayıdaki bölgeler kullanılır.

25 MAKS İ MUM PARSIMONY METODU  Bilgi verici bölgeler adını alan bu bölgelerde en azından iki tane farklı türde karakter bulunur ve bunların her biri en az iki kere bölgelerde yer alır.  Bilgi verici olmayan bölgeler ya sabit bölgelerdir ya da sadece bir kere görülen de ğ işiklikler içerirler.

26 MAKS İ MUM PARSIMONY METODU  Sabit bölgeler, her taksonda aynı halde bulunurlar ve bilgi verici olmayan bölgeler gibi filogenetik a ğ aç çizilmesinde yarasızdırlar. tabloda 2,5,8 numaralı bölgeler bilgi verici bölgelerdir.

27 MAKS İ MUM PARSIMONY METODU

28 Avantajları:  Basittirler, sezgi yolu ve yaratıcılıkla çıkarılabilirler (ka ğ ıt-ve-kalem ile yapılabilirler).  Moleküler ve morfolojik datalarda kullanılabilirler.  Benzerlik çeşitlerini ayırt edebiliriz.(sinapomorfik, plesiomorfik, homoplasi)  Karakter ve orantı analizlerinde kullanılabilirler

29 MAKS İ MUM PARSIMONY METODU  Dezavantajı:  Yüksek seviye homoplasilerde yanılabilirler.  İ ncelenen diziler ya da genetik uzaklıklar ile uyumlu bir a ğ aç elde etmek için gerekli en az mutasyonların saptanmasına dayanan bir yöntemdir. Maksimum Parsimoni (MP), minimum evrimsel metot (parsimoni = tutumluluk) olarak tanımlanabilir.

30 MAKS İ MUM PARSIMONY METODU  MP analizi ile en iyi sonuçlar dizi çiftleri arasındaki benzerliklerin çok güçlü oldu ğ u ve az sayıda dizinin oldu ğ u durumlarda alınır. MP ile a ğ açların oluşturulmasında kesin ve tahmini yaklaşımlar söz konusudur.  Kesin yaklaşımda olası tüm a ğ açlar gözden geçirilir ve kullanılan optimalite ölçütüne en uygun a ğ aç belirlenir.

31 MAXiMUM LiKELiHOOD (ML) METODU  Joseph Felsenstein tarafından 1981 yılında MP ‟ ye alternatif olarak ortaya konulmuş bir yöntemdir.  Bu yöntem, farklı tipteki nükleotit de ğ işikli ğ inin açı ğ a çıkma olasılıklarını tanımlayan bir matematiksel formül ve dal uzunlukları bilinen belli bir a ğ aç verildi ğ inde, bu belli DNA dizisi setini elde etme olasılı ğ ı nedir sorusunu sormaktadır.

32 MAXiMUM LiKELiHOOD (ML) METODU  Bu yöntem için bir bilgisayar programı, her a ğ aç topolojisinin de ğ erlendirir veya gözlenen verinin oluşturulması olasılı ğ ını hesaplar.  E ğ er a ğ aç do ğ ruysa her dalın oluşturulma olasılı ğ ı toplamı, gözlenen verinin oluşturması olasılı ğ ını temsil eder.  Çok iyi temellendirilmiş istatisti ğ e dayandı ğ ından matematiksel olarak daha zahmetli bir yöntemdir.

33 MAXiMUM LiKELiHOOD (ML) METODU  Avantajları :  Mevcut metodların içinde genelde en tutarlı olanıdır.  Karakter ve oran analizlerinde kullanılabilirler.  Sönmüş (hipotetik) ataların sekanslarını tahmin etmede kullanılabilir.  Nükleotid, aminoasit sekansları ve di ğ er data tiplerine uygulanabilir.

34 MAXiMUM LiKELiHOOD (ML) METODU  Dezavantajları :  Di ğ er pek çok metotda oldu ğ u gibi basit ve sezgisel de ğ ildirler.  Parsimonide oldu ğ u gibi yüksek seviye homoplasilerde yanılabilirler.

35 BAYES METODU  Filogeneti ğ in en popüler metodudur. Temelde Likelihood metoduna benzer, ancak sonraki (posterior) olasılık kullanımı ile bu yöntemden ayrılır.  Bu yöntemde a ğ aç seçiminde, “önceki olasılık”, analiz öncesinde tüm olası a ğ aç topolojileri için geçerli olan olasılıktır.

36 BAYES METODU  A ğ acın oluşturulmasından önce her bir topolojinin olasılı ğ ı birbirine eşittir. “Şarta ba ğ lı olasılık”, dizi hizalanmasında gözlenen karakterlerin de ğ işikli ğ e u ğ rama frekansıdır.  Amaç tek bir “do ğ ru” filogeniyi bulmayı de ğ il, bütün muhtemel filogenilerin sonraki (posterior) olasılık da ğ ılımlarını hesaplamaktır.


"Filogenetik Analiz Metotları EMRE SEV İ ND İ K 2009—09 DANIŞMAN: FAT İ H COŞKUN." indir ppt

Benzer bir sunumlar


Google Reklamları