Taller práctico No.

3 -‐ 5% Nombre: Marcela Buenaños

Evolución (21026)

Objetivos:
1. Practicar el uso de jModelTest para seleccionar del modelo
evolutivo que será utilizado en los aná lisis filogenéticos
2. Adquirir experiencia realizando un aná lisis filogenético Bayesiano
utilizando el programa MrBayes
3. Aprender a leer los resultados de estos aná lisis

Descargue de moodle el archivo comprimido MrBayes y

la matriz COII.nex. Instale MrBayes en su computador.
Mueva el archivo ejecutable mb.3.2.7-‐win64 al
Escritorio

Selección de modelo evolutivo jModelTest (en grupo)

Ya debe estar familiarizado con el proceso de poner a
correr un aná lisis a jModelTest en el computador! Ahora
vamos a realizar lo mismo en CIPRES. Ingrese a su
cuenta y suba su matriz de datos COII.nex.

Utilice este espacio para escribir las instrucciones que siguió

para correr el análisis.

1. Descargar la matriz de datos y guardarla como un archivo de texto

2. Ingresar a CIPRES y cargar la matriz de datos, etiquetá ndolo con un nombre referente a
sus datos
3. Elegir el tool de Jmodeltest2
4. Seleccionar el criterio Akaike en advanced parameters
5. Correr

Análisis Bayesiano utilizando MrBayes

Abra MrBayes (haga doble click en el ejecutable mb.3.2.7-‐
win64. Tenga presente el lugar donde está su matriz
(COII.nex)

En la pantalla verá :

MrBayes v3.2.7a
x86_64
(Bayesian Analysis of
Phylogeny)
Distributed under the GNU General Public
License
 Type "help" or "help <command>" for
information on the commands that are
available.

Type "about" for authorship and general

information about the program

MrBayes >
Ahora 'ejecute' su archivo (COII.nex). Escriba:

MrBayes > execute el_camino_correspondiente_a/COII.nex

Escriba aquí su comando:

MrBayes > execute COII.txt

Al ejecutar debe leer

Executing file "COII.nex" y después de una cantidad de

datos:
Reached end of file

Ahora vamos a establecer los pará metros que queremos para el

aná lisis. Para ver las opciones de los priors escriba help
prset que indica 'prior settings'. Ademá s de como
implementarlos (ie. los valores que pueden tomar), la ayuda
mostrará en qué consiste cada pará metro. Lea la descripció n de
prset en el inicio del texto. Para empezar es mejor
dejar los valores de los priors en los valores
predeterminados.

Ahora revisemos las opciones para establecer el modelo con el

que vamos a correr el aná lisis. Escriba help lset
que indica 'likelihood parameters settings'. Lea la descripció n de
lset en el inicio del texto. Aquí es donde vamos
a incorporar la informació n que obtuvimos del aná lisis de
jModelTest. Esto es: el numero de tasas de sustitució n (nst=),
la proporció n de sitios invariables, y el pará metro gamma
(rates=). Los otros pará metros en lset está n relacionados
con matrices de aminoá cidos.

Qué modelo seleccionó a partir de los resultados de

jModelTest?
El mejor modelo fue F81+G
Escriba la línea de comando necesaria para implementar
los parámetros de su modelo seleccionado

MrBayes> lset

Por ú ltimo vamos a revisar las opciones para el

aná lisis mismo. Escriba help mcmcp . Lea la descripció n
de mcmcp en el inicio del texto. Implemente 5
millones de generaciones (Ngen=), 3 corridas (Nruns=), y
una frecuencia de muestreo cada 1000 generaciones (Samplefreq=):
Escriba su línea de comando:

MrBayes> mcmcp ngen=5000000 nruns=3 samplefreq=1000

Y al presionar enter verá en la pantalla:

Setting number of generations to 5000000
Setting number of runs to 3
Setting sample frequency to 1000 Setting chain output file
names to... (el camino a sus archivos)
Successfully set chain parameters

Ahora estamos listos para correr el aná lisis! Escriba

MrBayes> mcmc
En la pantalla verá los detalles del modelo que
implementó ,los prior y las condiciones del aná lisis, ademá s del
tiempo que se demorará n sus aná lisis.

Después de que ha terminado el aná lisis (esto va a tomar

un tiempo), vamos a revisar los resultados.
Descargue de moodle todos los archivos (6) en la
carpeta 'Resultados aná lisis Bayesiano'.
Abra uno de los archivos .p y uno .t resultantes en un
editor de texto. Familiarícese con el contenido. Abra el
programa Tracer, y abra los archivos resultantes del aná lisis
con la terminació n .p (ie. los que contienen la informació n sobre
sus pará metros). En Tracer podrá ver si sus diferentes
corridas
llegaron a los mismos ó ptimos locales en el espacio
multipará metro, o si por el contrario los diferentes 'scouts'
llegaron a á reas diferentes y es necesario correr por
un mayor nú mero de generaciones su aná lisis.

Juntos vamos a comparar los valores de sus parámetros

entre las diferentes (3) corridas. Anote aquí sus observaciones
sobre el proceso. Qué debe tener en cuenta para asegurarse
que su análisis corrió por un numero suficiente de
generaciones y llegó al resultado óptimo?
 Se debe tener en cuenta que los valores del ESS para los pará metros estimados para
hacer el á rbol sea mayor a 200 letras para se asegure que el MCMC está bien. También el average
standard deviation of split frequencies para tener fijo que hubo convergencia.

De regreso a la consola, vamos a resumir los

resultados de los archivos .p y .t. Primero vamos a
llevar un registro en un archivo de todo lo que escribimos.
Para eso escriba:

MrBayes> log start filename=elnombrequeustedquiera.log

Ahora, escriba help sump que nos va a mostrar cuales

son las opciones para resumir los resultados de los pará metros
obtenidos en la corrida. Vamos a cambiar dos valores:
en este caso tenemos tres corridas (Nruns=), y vamos a
bajarle a la fracció n de 'burn-‐in' al 20% (burninfrac=0.2).
Confirme que el Filename= si corresponda al nombre y
la ubicació n de sus archivos .p

Escriba como quedaría su comando para ejecutar el

resumen de sus parámetros: MrBayes> sump burninfrac=
0.2 nruns=3

Observe el comportamiento de sus cadenas (en el plot

resultante). Debe parecer aleatoria la distribució n, lo cual indica
una convergencia entre cadenas.

Ahora vamos a realizar el á rbol consenso de la muestra

que tomamos cada 1000 generaciones. Escriba help sumt en
la consola para ver las opciones. Nuevamente cambie el
nú mero de corridas a 3 y el tipo de á rbol consenso
(contype=) lo vamos a cambiar de 'HalfCompat' a
'Allcompat'. (la fracció n del burnin se cambia automá ticamente
con el valor que pusimos en sump). Busque en la
descripció n de los pará metros cuál es la diferencia entre estas
dos opciones de árbol consenso?

Halfcompat da como resultado un á rbol de reglas de mayoría 50,  Allcompat  agrega todos los
grupos compatibles a dicho á rbol.
 Escriba como quedaría su comando para ejecutar el
resumen de sus parámetros:

MrBayes> sumt nruns=3 contype=allcompat

Abra el á rbol resultante con el programa FigTree. Utilice el

clado de los peces para enraizar su á rbol. Revise su
á rbol. Tienen sentido sus clados? (ie. cada uno de los
grupos aves, primates, etc. se infieren monofiléticos?)

Sí se puede infierir que son monofiléticos lo que estaría de acuerdo con los valores
de los nodos de cada grupo.

Cuál es el grupo hermano de las tortugas marinas en

esta topología? Y cuál es el valor del soporte de ese
nodo? (debe ser un valor de probabilidad, 0-‐1)

El grupo hermano de las tortugas marinas sería las aves con un valor del nodo
igual a 1.

Dibuje un árbol incluyendo solo siguientes clados y la

probabilidad posterior de cada nodo (con dos decimales):

1. Anfibios
2. Peces
3. Tortugas
4. Aves
5. Primates
6. Mamíferos-‐no primates