استنباط بیزی تبارزایش

استنباط بیزی فیلوژنی از تابع درست نمایی برای ایجاد کمیتی به نام احتمال پسین درخت ها ( درخت های فیلوژنی ) استفاده می کند. محتمل ترین درخت فیلوژنتیک برای داده های داده شده با استفاده از مدل فرگشت و بر اساس احتمالات پیشین تولید خواهد شد. دلیل محبوبیت رویکرد بیزی، پیشرفت سرعت محاسبات و یکپارچه الگوریتم های زنجیره مارکوف مونت کارلو ( MCMC ) می باشد. استنباط بیزی در فیلوژنتیک مولکولی و سیستماتیککاربرد دارد.
استنباط بیزی روش احتمالی توسعه یافته مبتنی بر قضیه بیز می باشد که توسط توماس بیز ارائه شده است. استنباط بیزی در سال ۱۷۶۳ پس از مرگ بیز منتشر شده است. این اولین بیان احتمال معکوس و اساس استنباط بیزی می باشد. پی یر سیمون لاپلاس به طور مستقل و بدون آگاهی از کار بیز، قضیه بیز را در سال ۱۷۷۴ توسعه داده است. [ ۱]
استنباط بیزی تا سال ۱۹۰۰ به دلیل محدودیت محاسبات به طور گسترده ای استفاده می شد. در سال ۱۹۰۰ شاهد انتقال از استنباط بیزی به استنباط فراوانی گرایانه بودیم. بر اساس قضیه بیز رویکرد بیزی احتمال پیشین درخت P ( A ) را با احتمال درست نمایی داده P ( B ) ترکیب می کند تا توزیع احتمال پسین P ( A|B ) را روی درخت تولید کند. احتمال پسین درخت، احتمال درست بودن درخت را نشان می دهد. درخت با بالاترین احتمال پسین، بهترین گزینه برای نمایش فیلوژنی است. استنباط بیز مقدمه ای برای روش های زنجیره مارکوف مونت کارلو ( MCMC ) بود که توسط نیکولاس متروپلیس در سال ۱۹۵۳ عرضه شد. این روش استنباط بیزی منقلب شده است و phylogeneticistها تا دهه 1990s به طور گسترده ای از این روش استفاده کردند. از مزایای ای روش نسبت به روش های مرسوم بیشینه صرفه جویی و بیشینه درست نمایی می توان به امکان عدم قطعیت فیلوژنتیک، استفاده از اطلاعات پیشین و اختلاط مدل های پیچیده تکامل اشاره کرد که برای روش های مرسوم محدودیت تحلیل های محاسباتی دارند. با وجود غلبه بر پیچیدگی عملیات تحلیلی احتمال پسین، هنوز شامل پیچیدگی جمع روی تمام درختان است و برای هر درخت ادغام تمام ترکیبات جایگزینی مقادیر پارامتر مدل و طول انشعاب ها.
روش MCMC را می توان در سه مرحله توصیف کرد: اول با استفاده از مکانیزم تصادفی حالت جدید برای زنجیره مارکوف پیشنهاد می شود. دوم، احتمال درست بودن حالت جدید محاسبه می شود. سوم، یک متغیر تصادفی جدید در بازه ( ۰٬۱ ) پیشنهاد می شود. اگر این مقدار جدید کمتر از احتمال پذیرش باشد، حالت جدید پذیرفته شده است و حالت زنجیره آپدیت می شود. این فرایند هزاران یا میلیون ها بار اجرا می شود. مقدار زمانی که یک درخت مجزا در طول زنجیره ای مشاهده می شود تقریب معتبری از احتمال پسین آن می باشد. تعدادی از رایج ترین الگوریتم های مورد استفاده در روش های MCMC شامل الگوریتم متروپلیس هستینگز، MCMCMC ( MC³ ) و الگوریتم محلی لارگت و سیمون می باشد.