Format der Eingabedaten

Zur Übergabe der Sequenzdaten und Parameter wird eine Eingabedatei verwendet. Die Eingabedatei entspricht dem normalerweise bei PHILIP-Programmen verwendeten Format (Felsenstein, 1993). In der einfachsten Form enthält sie nur alignierte Sequenzen verschiedener Organismen sowie deren Anzahl und die Zahl der Spalten des Alignments. Diese können in einem ,,interleaved`` oder sequentiellen Format vorliegen. Am Beginn der ersten Zeile findet man immer zwei Zahlen, die die Anzahl der benutzten Spezies und an zweiter Stelle die Anzahl der Spalten im Alignment angeben. Danach folgen die Sequenzen. Die ersten zehn Buchstaben enthalten den Namen der Spezies oder Sequenz, alle darauffolgenden Zeilen enthalten die Sequenz, bei der nur Buchstaben, Punkte, Fragezeichen und Striche verwendet werden. Ziffern und alle Arten von Leerzeichen (wie z.B. Tabstops) werden ignoriert. Im ,,interleaved`` Format, dem Standardformat, das der Ausgabe vieler Alignmentprogramme gleicht, wird jeweils eine Zeile für jede Spezies in Blöcken nacheinander abgelegt.

    5    42
  Sacc.cerev   -UAUCUGGUU GAUCCUGCCA GUAGUCAUAU GCUUGUCUCA AA
  Gall.gallu   -NNCCNGGUU GAUCCUGCCA GUAG-CANNN GCUNGUCUCA AA
  Homo_sapie   -UACCUGGUU GAUCCUGCCA GUAG-CAUAU GCUUGUCUCA AA
  Caen.elega   -UACCUGAUU GAUUCUGUCA GC-GCGAUAU GCUCAAGUAA AA
  Dros.melan   -AUUCUGGUU GAUCCUGCCA GUAGUUAUAU GCUUGUCUCA AA

  GUAGUCAUAU GCUUGUCUCA AA
  GUAG-CANNN GCUNGUCUCA AA
  GUAG-CAUAU GCUUGUCUCA AA
  GC-GCGAUAU GCUCAAGUAA AA
  GUAGUUAUAU GCUUGUCUCA AA

Zwischen den einzelnen Blöcken kann jeweils eine Leerzeile eingefügt werden.

Im sequentiellen Format folgt nach dem Namen erst die vollständige Sequenz dieser Spezies, bevor die nächste Spezies aufgelistet wird:

    5    42
  Sacc.cerev   -UAUCUGGUU GAUCCUGCCA 
  GUAGUCAUAU GCUUGUCUCA AA
  Gall.gallu   -NNCCNGGUU GAUCCUGCCA 
  GUAG-CANNN GCUNGUCUCA AA
  Homo_sapie   -UACCUGGUU GAUCCUGCCA 
  GUAG-CAUAU GCUUGUCUCA AA
  Caen.elega   -UACCUGAUU GAUUCUGUCA 
  GC-GCGAUAU GCUCAAGUAA AA
  Dros.melan   -AUUCUGGUU GAUCCUGCCA 
  GUAGUUAUAU GCUUGUCUCA AA

Die Sequenzen dürfen die in Tabelle A.1 angegebenen Buchstaben enthalten. Die Bedeutungen dieser Buchstaben sind ebenfalls in Tab. A.1 beschrieben. Bei den Buchstaben ist hier sowohl Groß- als auch Kleinschreibung erlaubt.

 

A Adenin

G Guanin

C Cytosin

T Thymin

U Uracil

Y Pyrin (C, T)

R Pyrimidin (A, G)

W schwache Bindung (,,weak``) (A, T)

S starke Bindung (,,strong``) (G, C)

K Keto (T, G)

M Amino (C, A)

B nicht A (C, G, T)

D nicht C (A, G, T)

H nicht G (A, C, T)

V nicht T (A, C, G)

X,N,? unbekannt (A, C, G, T)

O,- Deletion, Lücke

Neben den Sequenzdaten können noch weitere Parameter und Optionen nach den Zahlenangaben und vor den Sequenzdaten angegeben werden. Die Optionen folgen nach den Sequenzdaten auch in der ersten Zeile. Zu den Optionen gehörige Parameter folgen in den anschließenden Zeilen.

Folgende Optionen und Parameter sind möglich:

• 1 - Sequenzdaten ausgeben

  Normalerweise werden die Sequenzdaten nicht ausgegeben. Dieses wird durch diese Option aufgehoben.

• 3 - Keinen Baum mit ausgeben

  Bei Angabe dieser Option wird kein Baum nach der Analyse ausgegeben, was normalerweise der Fall wäre.

• 4 - Baum in eine Datei schreiben

  Normalerweise werden Bäume am Ende nicht im Newick-Format in eine Baumdatei geschrieben, es sei denn, diese Option wurde angegeben.

• B - Bootstrap-Stichprobe ziehen

  Durch diese Option wird veranlaßt, daß pfastDNAml eine Bootstrap-Stichprobe von den Eingabedaten generiert und mit dieser Stichprobe die Stammbaumberechnungen durchführt. Neben dieser Option muß in einer der Zeilen bis zu den Sequenzdaten ein sogenannte Random-Number-Seed zu Initialisierung des Zufallsgenerators in der Form ,,B n`` angegeben werden. Bei n handelt es sich um eine ganze Zahl. Um unterschiedliche Stichproben zu erhalten, muß jedesmal ein anderer Random-Number-Seed verwendet werden; d.h. bei gleichen Werten für n ist auch die gezogene Stichprobe dieselbe. Beispiel:

    5  42  B
    B 127
  

• C - Kategorien anlegen

  Mit dieser Option ist es möglich, jede Spalte im Alignment einer Kategorie zuzuordnen. Hierzu stehen bis zu 35 Kategorien (1, 2, ..., 9, A, B, ..., Y, Z) zur Verfügung. Jeder der benutzten Kategorien muß ein Gewicht zugeordnet werden, das eine Dezimalzahl sein kann. Diese Gewichte werden in einer Zeile der Form ,,C $n a_1 a_2 \ldots a_n$`` angegeben. n ist die Anzahl der benutzten Kategorien und a₁ bis a_n die vergebenen Gewichte (a₁ ist das Gewicht für Kategorie 1, a₂ für Kategorie 2 usw.). In einer separaten Zeile, die mit dem Schlüsselwort Categories beginnt, wird für jede Spalte im Alignment eine Kategorie vergeben. Beispiel:

    5  42  C
    C 12 0.0625 0.125 0.25 0.5 1 2 4 8 16 32 64 128
    Categories 51388923A11555238BBAAA112348973621123789AB
  

• F - Empirische Basenfrequenzen

  Diese Option bringt pfastDNAml dazu, die Frequenzen der organischen Basen anhand der übergebenen Sequenzdaten zu berechnen. Wird diese Option nicht gesetzt, müssen die Basenfrequenzen in einer eigenen Zeile vor den Sequenzdaten übergeben werden. Beispiel für gleichverteilte Basen:

    0.25 0.25 0.25 0.25
  

• G - Globale Rearrangements

  Diese Option sorgt dafür, daß die Werte gesetzt werden können, über wieviel Äste hinweg die ausgeführten Rearrangements (siehe Seite ) durchgeführt werden sollen.

  Hierzu kann optional eine Parameterzeile ,,G n₁ n₂`` angegeben werden, in der n₂ angibt, über wieviele Äste die Rearrangements während des Einfügens gehen sollen, und n₁ die Anzahl für das Rearrangement am Ende der Analyse. Hierbei muß $n_1 \leq n_2$ gelten.

  Wird n₂ nicht angegeben, wird der Standardwert 1 verwendet. Ist die Parameterzeile gar nicht gesetzt, wird am Ende ein globales Rearrangement durchgeführt.

• I - Sequentielles Datenformat (not interleaved)

  Diese Option gibt an, daß die Sequenzdaten im sequentiellen Format vorliegen.

• J - Speziesreihenfolge mischen (Jumble)

  Bei Angabe dieser Option werden die Spezies in zufälliger Reihenfolge in die bestehenden Bäume eingefügt. Zur Initialisierung des Zufallsgenerators muß auch hier, wie bei Bootstrap-Analysen, ein Random-Number-Seed übergeben werden. Beispiel:

    5 42 J
    J 1357
  

• O - Außengruppe benutzen (Outgroup)

  Über die dazugehörige Parameterzeile wird angegeben, mit welcher Spezies als Außengruppe der berechnete Baum gewurzelt werden soll. Beispiel mit Spezies 3 als Außengruppe:

    5 42 O
    O 3
  

• Q - Schnelles Einfügen (Quickadd)

  Diese Option beschleunigt die Baumkonstruktion dadurch, daß beim Einfügen neuer Spezies nicht alle, sondern nur die unmittelbar betroffenen Kanten optimiert werden.

• R - Neustart (Restart)

  Mit dieser Option kann pfastDNAml, z.B. nach einem Abbruch, erneut gestartet werden. Hierzu muß am Ende der Eingabedatei der Baum, nach dem die vorherige Berechnung abgebrochen wurde, nach den Sequenzdaten angefügt werden. Diesen Baum findet man am Ende der checkpoint-Datei des abgebrochenen Jobs. Von diesem muß vor dem Neustart noch der Kommentar entfernt werden.

• T - Transition/Transversions-Rate eingeben

  Zusammen mit dieser Option muß in einer Parameterzeile ,,T m`` die Transition/Transversions-Rate m eingegeben werden. Die Grundeinstellung, wenn diese Option nicht angegeben wird, ist ein Wert von 2,0.

• W - Gewichte eingeben

  Nach der W-Option kann man für jede Spalte im Alignment ein ganzzahliges Gewicht zwischen und 35 angeben. Diese Gewichte geben an, wie oft eine Spalte im Alignment in der Berechnung des Likelihoodwertes berücksichtigt werden soll. Auf diese Weise können auch von außen Bootstrap-Stichproben eingegeben werden, ohne daß die Sequenzdaten neu gemischt werden müßten.

  Die Gewichte werden über eine oder mehrere aufeinanderfolgende Parameterzeilen an das Programm übergeben. Beispiel:

    5  42  W
    Weights     11111000101000011111
                1100101000011111111001
  

• Y - Baum in eine Datei schreiben

  Schreibt den entgültigen Baum in eine Baumdatei. Standardmäßig passiert dies im Newick-Format, mit der Angabe der Parameterzeile ,,Y 2`` geschieht diese im Prolog-Format.

Bei den optionalen Parameterzeilen ist zu beachten, daß sie nicht als letzte vor den Sequenzdaten stehen dürfen, da sie dann vom Programm eventuell nicht erkannt werden. Es kann mit der T-Option und der dann obligatorischen Parameterzeile ,,T 2.0`` oder einer anderen Rate, falls bekannt, vor den Sequenzdaten Abhilfe geschaffen werden.