如何理解monophyly单系性

本文深入探讨了单系群、并系群和复系群的概念,通过图表解释了如何判断单系性的标准。文章引用了一篇关于大型真核DNA病毒的研究,展示了如何根据病毒特征判断单系群的强弱。总结中强调了单系群的特征在于其成员共享的共同衍征,而并非共同祖征。
摘要由CSDN通过智能技术生成

monophyly

中文:单系统,单系性

参考知乎上关于【对单系群、并系群、复系群概念的深入理解】

对单系群、并系群、复系群概念的深入理解 - 知乎

写得很详细,读完后的理解如下,先贴一张图

【本图来自知乎内容截图自行拼接】

我目前的理解是,如果最小共同祖先的性状与其祖先一致,是共同祖征,是并系群;如果最小共同祖先的性状与其祖先不一致,是共同衍征,是单系群。

如果是单系群,则具有单系性monophyly。

如Summary中的图,如果把字母想象为孩子,最小共同祖先想象为爸爸,那么主要是看爷爷的特征是否与爸爸一致。

ABC图中只显示到爸爸,因此没法确定是单系群,认为是并系群。

DEFGH可以看到爸爸是衍征2,爷爷是衍征1,爸爸与爷爷不同,所以DEFGH可以构成单系群。

JK可以看到爸爸是衍征1,爷爷是衍征1,爸爸和爷爷相同,所以是并系群。

##############

这里看一篇实际文献中用到单系性monophyly的例子,

Iyer LM, Aravind L, Koonin EV. Common origin of four diverse families of large eukaryotic DNA viruses. J Virol. 2001;75(23):11720-11734. doi:10.1128/JVI.75.23.11720-11734.2001

Common Origin of Four Diverse Families of Large Eukaryotic DNA Viruses - PMC

 文章题目是Common Origin of Four Diverse Families of Large Eukaryotic DNA Viruses,四个不同家族的大型真核 DNA 病毒的共同起源

 In addition, there was a weaker support for the monophyly of the animal viruses (poxviruses plus ASFV plus iridoviruses), to the exclusion of the phycodnaviruses, by six synapomorphies. 此外,动物病毒(痘病毒+ ASFV +虹色病毒)的单系性支持较弱,以6个突触形排除了藻病毒。

 可以看到对应的三个黄色框没有出现明显的共同祖先【爸爸】,因此不能算为单系群,是单系性较弱的表现。

As expected, the monophyly of the so-called phycodnavirus clade (PBCV plus ESV) and the poxvirus clade (entomopox viruses plus chordopoxviruses) was strongly supported.正如预期的那样,所谓的藻病毒支(PBCV + ESV)和痘病毒支(虫痘病毒+ chordopoxvirus)的单系性得到了强有力的支持。

 

框中的+号代表增加的特征,-号代表减少的特征。

可以看到黄色框和绿色框分别是两个单系群,因为爸爸和爷爷的特征不同(有+号和-号),是单系性强的表现。

以上均为个人理解,如有不对,欢迎您批评指正,谢谢!!

 

深度学习是机器学习的一个子领域,它基于人工神经网络的研究,特别是利用多层次的神经网络来进行学习和模式识别。深度学习模型能够学习数据的高层次特征,这些特征对于图像和语音识别、自然语言处理、医学图像分析等应用至关重要。以下是深度学习的一些关键概念和组成部分: 1. **神经网络(Neural Networks)**:深度学习的基础是人工神经网络,它是由多个层组成的网络结构,包括输入层、隐藏层和输出层。每个层由多个神经元组成,神经元之间通过权重连接。 2. **前馈神经网络(Feedforward Neural Networks)**:这是最常见的神经网络类型,信息从输入层流向隐藏层,最终到达输出层。 3. **卷积神经网络(Convolutional Neural Networks, CNNs)**:这种网络特别适合处理具有网格结构的数据,如图像。它们使用卷积层来提取图像的特征。 4. **循环神经网络(Recurrent Neural Networks, RNNs)**:这种网络能够处理序列数据,如时间序列或自然语言,因为它们具有记忆功能,能够捕捉数据中的时间依赖。 5. **长短期记忆网络(Long Short-Term Memory, LSTM)**:LSTM 是一种特殊的 RNN,它能够学习长期依赖关系,非常适合复杂的序列预测任务。 6. **生成对抗网络(Generative Adversarial Networks, GANs)**:由两个网络组成,一个生成器和一个判别器,它们相互竞争,生成器生成数据,判别器评估数据的真实。 7. **深度学习框架**:如 TensorFlow、Keras、PyTorch 等,这些框架提供了构建、训练和部署深度学习模型的工具和库。 8. **激活函数(Activation Functions)**:如 ReLU、Sigmoid、Tanh 等,它们在神经网络中用于添加非线,使得网络能够学习复杂的函数。 9. **损失函数(Loss Functions)**:用于评估模型的预测与真实值之间的差异,常见的损失函数包括均方误差(MSE)、交叉熵(Cross-Entropy)等。 10. **优化算法(Optimization Algorithms)**:如梯度下降(Gradient Descent)、随机梯度下降(SGD)、Adam 等,用于更新网络权重,以最小化损失函数。 11. **正则化(Regularization)**:技术如 Dropout、L1/L2 正则化等,用于防止模型过拟合。 12. **迁移学习(Transfer Learning)**:利用在一个任务上训练好的模型来提高另一个相关任务的能。 深度学习在许多领域都取得了显著的成就,但它也面临着一些挑战,如对大量数据的依赖、模型的解释差、计算资源消耗大等。研究人员正在不断探索新的方法来解决这些问题。
评论
添加红包

请填写红包祝福语或标题

红包个数最小为10个

红包金额最低5元

当前余额3.43前往充值 >
需支付:10.00
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明:

1.余额是钱包充值的虚拟货币,按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载,可以购买VIP、付费专栏及课程。

余额充值