I am trying to infer both maximum likelihood and bayesian phylogenetic trees using RADseq reads. I have already created my sets of radtags using Ipyrad which also I used to export the consesus sequence for all of my samples both in a concatenated sequences phylip file and as a SNPs-only phylip file.
Should I be using the whole sequences for my phylogenetic reconstructions or only the snps?
Also, I know that a best-fit nucleotide substitution model should be chosen before trying to build a phylogenetic tree. However, I have not seen any consensus on published papers of how this is done with RADseq data. Some articles choose a nucleotide substitution model without explaining how they chose it, others use a software as IQ_Tree to estimate a single model for their whole data set, while others use software as PartitionFinder to split their data and estimate a substitution model for each partition.
Which would it be the best approach? Specially considering that my data sets have high amounts of missing data (around 60%). And, if a model-test should be done, which is a good program to work with these large files?
Any help will be kindly appreciated!
¡Hola Rodrigo!
Espero te encuentres muy bien,
¿Tienes un outgroup para enraizar tu árbol? ¿Has usado CIPRES?
Te recomiendo construir tu árbol con RAxML. Considerando el origen de tus datos, yo utilizaría jModelTest2 para encontrar el modelo de sustitución más adecuado (que en general va a ser GTR+G+I, aunque también puedes considerar correrlo solamente como GTR+I, porque RAxML corre mejor con ese). Utiliza solamente los sitios variables.
Una opción muy versatil para correr análisis preliminares, es subir tu archivo en .phy a http://www.atgc-montpellier.fr/phyml/, poner todo en automático y con base en los resultados ahora sí correrlo largo en RAxML.
Te comparto un consejo que me salvó la vida: a veces las señales de las relaciones filogenéticas entre individuos es más clara si solamente analizas los árboles con marcadores neutrales. Puede que no pase en todos los casos, solamente que en la experiencia personal, fue hasta que removí los outliers que mis muestras encontraron su sitio en una monofilia congruente con los análisis de estructura.
Ya por último, no te preocupes por el missing data. Te comparto un artículo que habla de eso:
Article RADseq dataset with 90% missing data fully resolves recent r...
¡Hola Rodrigo!
Espero te encuentres muy bien,
¿Tienes un outgroup para enraizar tu árbol? ¿Has usado CIPRES?
Te recomiendo construir tu árbol con RAxML. Considerando el origen de tus datos, yo utilizaría jModelTest2 para encontrar el modelo de sustitución más adecuado (que en general va a ser GTR+G+I, aunque también puedes considerar correrlo solamente como GTR+I, porque RAxML corre mejor con ese). Utiliza solamente los sitios variables.
Una opción muy versatil para correr análisis preliminares, es subir tu archivo en .phy a http://www.atgc-montpellier.fr/phyml/, poner todo en automático y con base en los resultados ahora sí correrlo largo en RAxML.
Te comparto un consejo que me salvó la vida: a veces las señales de las relaciones filogenéticas entre individuos es más clara si solamente analizas los árboles con marcadores neutrales. Puede que no pase en todos los casos, solamente que en la experiencia personal, fue hasta que removí los outliers que mis muestras encontraron su sitio en una monofilia congruente con los análisis de estructura.
Ya por último, no te preocupes por el missing data. Te comparto un artículo que habla de eso:
Article RADseq dataset with 90% missing data fully resolves recent r...
I would use the full-length concatenated sequences, and run in IQ-TREE with a partition file (i.e., giving the start-stop positions for each sequential locus). Then, run model selection in IQ-TREE using the MFP+MERGE option (http://www.iqtree.org/doc/Advanced-Tutorial) which will both select models for each partition, and also test if partitions can be adequately modeled by merging them (which will create a lower # of separate substitution models, thereby speeding computation in tree inference step). IQ-TREE also gives options to decide if partitions share branch lengths or if these are unlinked.
¡Hola Jose Alberto Lopez-Aleman !
¡Espero que también tu te encuentres bien! ¡Muchas gracias por tu respuesta! Esta sumamente completa. Y en especial, muchas gracias por el artículo del missing data. La verdad, era algo que me tenía muy muy preocupado.
Si tengo un outgroup para el árbol que estoy intentando construir. Y no, es la primera vez que estoy trabajando desde un enfoque filogenético Por ejemplo, esta herramienta de CIPRES no la conocía. Aunque veo que es símilar a estas nubes como Galaxy para hacer análisis en servidores remotos.
El model test sencillo ya pude correrlo, y efectivamente me eligió el GTR+G+I . Ya ando haciendo una primera prueba en RAxML a ver que tal sale. Lo de los loci outilers tiene sentido, ¿qué programa usaste para identificarlos? Podría probar para ver si hacer eso mejora la resolución del análisis. Y aprovechando tu intervención, ¿porqué consideras que es mejor usar solo las variantes?
Tyler Chafin ,
Thank you for your answer! Do you know if Ipyrad gives you in any of its outfiles the start-stop position of all the concatenated sequences? I have been trying to look for them to do an approach as you are suggesting but I don't seem to find it.
I'm not sure if it does or not. I have some scripts here that I usually use: https://github.com/tkchafin/scripts
First, run filterLoci.py (with the pyrad .loci file) to only retain loci with acceptable levels of missing data and parsimonious informative sites. Have it output as nexus. Then, run concatenateNexus.py which will create a concatenated alignment having the partitions block (those start/stop positions). Let me know if you run into any problems.
Oh, sinceramente no he utilizado GALAXY. Después de un rato CIPRES se vuelve muy intuitivo. Te recomiendo utilizar la versión más nueva de RAxML que está ahí, es bastante "user-friendly". También puedes instalarlo en tu computadora, anda bastante rápido. Hay una interfaz que facilita mucho el manejo de RAxML (porque a veces la línea de comando con ese programa no es muy intuitiva), te la comparto:
https://antonellilab.github.io/raxmlGUI/
Te recomiendo echarle un ojo a ésta página:
http://www.phylo.org/index.php/tools/raxmlhpc8_xsede.html
Y ya por último, échale un ojo a la respuesta de Max. R Bangs en esta pregunta:
https://www.researchgate.net/post/How_to_built_ML_phylogenetic_by_RaxML_on_cipres
Con SNPs casi es un hecho que el modelo ideal es GTR+G+I. Yo probaría solamente +I y después +I+G, simplemente para ver cómo se comporta RAxML (el editor del programa dice que computa mejor solamente con I y finalmente se trata de encontrar el modelo que mejor explique el comportamiento de los datos para hacer clara la señal filogenética).
Para los outliers, los identifiqué con PCAdapt, Bayescan y Arlequin. Consideré outliers (o sitios fuera de lo esperado al azar) a los que coincidían con dos de los tres métodos de exploración. Ya en otra pregunta desarrollé más al respecto, te la paso: https://www.researchgate.net/post/How_to_correctly_choose_population_strata_and_interpret_results_for_the_detection_of_loci_under_selection_from_RADseq_data_using_Bayescan
(nada más hay que tener cuidado con la numeración que cada programa le otorga a cada loci, pues al final entre la conversión de archivos entre el .vcf, el .ped/.bed y el .arp a veces lo numera +-1, ojo con eso. Ya que lo hagas verás que es intuitivo).
Sobre los sitios invariables... pues de manera general los sitios monomórficos son monomórficos para todas las muestras, ¿no? Es decir, que no aportan nucleótidos informativos para resolver las igualdades y diferencias filogenéticas entre individuos. Incluso SNAPP (parte de BEAST2), que es utilizado para hacer datación a partir de SNPs, solamente se utilizan los sitios polimórficos.
¿Andas en INECOL, verdad? Eso está padrísimo, es un lugar bello y lleno de mucho conocimiento ¡Te deseo muchísimo éxito!
Con confianza mándame un mensaje si gustas discutir sobre estos temas. Lo disfruto mucho y la verdad tengo mucho que aprender al respecto. Saludos.
- Badges
- Science topic
- Similar topics
- Biological Science
- Evolutionary Biology
- Phylogenetics