我对自举的理解是你
- 使用一些算法从序列矩阵（例如核苷酸）构建“树”。
- 你存储那棵树。
- 从 1 扰动矩阵，并重建树。
我的问题是：从序列生物信息学的角度来看，3 的目的是什么？我可以尝试“猜测”，通过更改原始矩阵中的字符，您可以删除数据中的伪影吗？但我对这个猜测有疑问：我不确定，为什么需要移除这些人工制品。就其本质而言，序列比对应该通过查找长的相似性来处理伪影。
问问题
1321 次
2 回答
6
自举，在系统发育学和其他地方一样，并不能提高你试图估计的任何东西的质量（在这种情况下是一棵树）。它的作用是让您了解您对从原始数据集中获得的结果有多大信心。引导分析回答了“如果我多次重复这个实验，每次使用不同的样本（但大小相同），我希望多久获得一次相同的结果？”这个问题。这通常按边缘细分（“我希望多久在推断的树中看到这个特定的边缘？”）。
抽样误差
更准确地说，自举是一种近似测量估计中的预期抽样误差水平的方法。大多数进化模型都具有这样的特性，即如果您的数据集有无限数量的站点，则可以保证恢复正确的树和正确的分支长度*。但是对于有限数量的站点，这种保证就消失了。您在这些情况下推断的内容可以被认为是正确的树加上抽样误差，其中抽样误差会随着您增加样本量（站点数量）而减小。我们想知道的是，假设我们有（比如说）1000 个站点，我们应该对每条边期望多少采样误差。
我们想做却做不到的事
假设您使用 1000 个站点的对齐来推断原始树。如果您以某种方式能够对所有分类群的所需站点进行排序，则可以从每个站点中提取另外 1000 个站点并再次执行此树推理，在这种情况下，您可能会得到与原来的树。您可以一次又一次地这样做，每次使用一批新的 1000 个站点；如果你多次这样做，你会产生一个树的分布。这称为估计的抽样分布。一般来说，它在真树附近的密度最高。如果您增加样本量（站点数量），它也会更加集中在真实树周围。
这个分布告诉我们什么？它告诉我们，由这个进化过程（树 + 分支长度 + 其他参数）生成的 1000 个站点的任何给定样本实际上会给我们真正的树的可能性有多大——换句话说，我们对原始分析的信心有多大. 正如我上面提到的，这种获得正确答案的概率可以按边缘分解——这就是“引导概率”。
我们可以做什么
我们实际上并没有能力神奇地生成尽可能多的对齐列，但我们可以“假装”我们这样做，只需将原始的 1000 个站点集合视为一个站点池，从中抽取新批次1000 个站点，每个重复都有重复。这通常会产生与真正的 1000 个站点采样分布不同的结果分布，但对于大型站点计数，近似值是好的。
* 这是假设数据集实际上是根据这个模型生成的——这是我们无法确定的，除非我们正在进行模拟。还有一些模型，比如未校正的简约性，实际上具有矛盾的性质，即在某些条件下，您拥有的站点越多，恢复正确树的概率就越低！
于 2011-10-12T10:12:22.303 回答
1
Bootstrapping是一种通用统计技术，在生物信息学之外有应用。它是一种灵活的方法来处理小样本或来自复杂群体的样本（我想您的应用程序就是这种情况。）
于 2011-10-12T02:26:49.940 回答