TreeTime: Maximum-likelihood phylodynamic analysis.
TreeTime: Maximum-likelihood phylodynamic analysis.
复制标题
DOI：
10.1093/ve/vex042
复制
发表时间：
2018-01
期刊：
影响因子：
5.3
通讯作者：
Neher RA
中科院分区：
文献类型：
--
作者：
Sagulenko P;Puller V;Neher RA
细胞或病毒基因组中积累的突变可以用来推断它们的进化历史。在快速进化的生物体中，基因组可以揭示其详细的时空分布。这种病毒动态分析对于了解快速进化的病毒病原体的流行病学特别有用。随着可用于不同病原体的基因组序列的数量在过去几年中急剧增加，使用传统方法的动态分析变得具有挑战性，因为这些方法随着数据集的增长而扩展性差。在这里，我们提出了TreeTime，一个基于Python的框架，使用近似的最大似然方法进行动态分析。TreeTime可以估计祖先状态，推断进化模型，重根树以最大化时间信号，估计分子时钟和种群大小历史。TreeTime的运行时间与数据集大小呈线性关系。
Mutations that accumulate in the genome of cells or viruses can be used to infer their evolutionary history. In the case of rapidly evolving organisms, genomes can reveal their detailed spatiotemporal spread. Such phylodynamic analyses are particularly useful to understand the epidemiology of rapidly evolving viral pathogens. As the number of genome sequences available for different pathogens has increased dramatically over the last years, phylodynamic analysis with traditional methods becomes challenging as these methods scale poorly with growing datasets. Here, we present TreeTime, a Python-based framework for phylodynamic analysis using an approximate Maximum Likelihood approach. TreeTime can estimate ancestral states, infer evolution models, reroot trees to maximize temporal signals, estimate molecular clock phylogenies and population size histories. The runtime of TreeTime scales linearly with dataset size.
登录
查看更多内容
影响因子：
2.1
作者：
van der Walt, Stefan;Colbert, S. Chris;Varoquaux, Gael
通讯作者：
Varoquaux, Gael
影响因子：
9.8
作者：
Drummond AJ;Ho SY;Phillips MJ;Rambaut A
通讯作者：
Rambaut A
影响因子：
3.9
作者：
LANGLEY, CH;FITCH, WM
通讯作者：
FITCH, WM
影响因子：
5.8
作者：
Neher, Richard A.;Bedford, Trevor
通讯作者：
Bedford, Trevor
影响因子：
5.8
作者：
Rambaut, A
通讯作者：
Rambaut, A