دعم التمهيد الإحصائي

خطوات الاستخدام

أدخل عدد التسلسلات (sequences): يمثل هذا العدد عدد الكائنات أو العينات التي تمت محاذاتها. كلما زاد عدد التسلسلات، زادت احتمالية وجود إشارات متضاربة، مما قد يؤثر على دعم التمهيد. تأكد من إدخال العدد الإجمالي للتسلسلات في المحاذاة بعد إزالة الفجوات الواضحة.

أدخل طول المحاذاة (nSites): يشير إلى عدد المواقع (القواعد النيوكليوتيدية أو الأحماض الأمينية) في المحاذاة بعد إزالة الفجوات. هذا الطول يؤثر على حجم العينة في عملية التمهيد. كلما زاد طول المحاذاة، زادت دقة تقدير الدعم، لأن كل عينة تمهيد تحتوي على عدد كبير من المواقع.

أدخل معدل التحور (mu): هو النسبة المتوقعة من المواقع التي تحمل معلومات تطورية مفيدة (أي مواقع متغيرة ومفيدة لاستنتاج الشجرة). يمكن تقدير هذا المعدل من البيانات التجريبية أو باستخدام نماذج تطورية (مثل JC69 أو GTR). عادة ما تكون قيمته بين 0.01 و 0.5. هذا المعدل هو مفتاح حساب احتمالية احتواء عينة تمهيد على معلومات كافية لدعم الفرع.

الأسئلة الشائعة

دعم التمهيد هو مقياس إحصائي يستخدم لتقييم مدى الثقة في الفروع (clades) في شجرة النشوء والتطور. يتم الحصول عليه من خلال إعادة تشكيل عينات من البيانات الأصلية (المحاذاة) باستخدام تقنية التمهيد (Bootstrap) التي اقترحها Bradley Efron في عام 1979 وطبقها Felsenstein على علم الوراثة العرقي في عام 1985. الفكرة الأساسية هي: من المحاذاة الأصلية (التي تحتوي على N موقعاً)، نختار عشوائياً مع الإرجاع N موقعاً لتشكيل عينة تمهيد جديدة. نكرر هذه العملية عدة مرات (عادة 100 إلى 1000 مرة). لكل عينة تمهيد، نبني شجرة نشوء وتطور (باستخدام طريقة مثل الحد الأقصى للاحتمال أو الجيران المتصلين). ثم نفحص كل فرع من فروع الشجرة الأصلية: كم مرة يظهر نفس الفرع في أشجار التمهيد؟ النسبة المئوية لظهور الفرع تسمى دعم التمهيد. على سبيل المثال، إذا ظهر فرع معين في 95% من أشجار التمهيد، فهذا يعني أن لدينا ثقة عالية بأن هذا الفرع صحيح. يعتبر دعم التمهيد مهماً لأنه يساعد في تمييز الفروع الموثوقة من تلك التي قد تكون ناتجة عن الصدفة أو الضوضاء في البيانات. في الدراسات المنشورة، يعتبر دعم التمهيد فوق 70% مقبولاً، وفوق 95% قوياً جداً. تجدر الإشارة إلى أن دعم التمهيد ليس احتمالاً إحصائياً بالمعنى الدقيق، بل هو مقياس للتكرار النسبي. ومع ذلك، فقد أظهرت الدراسات أنه يتوافق جيداً مع الاحتمالات الحقيقية في ظل نماذج معينة. تستخدم هذه الحاسبة نموذجاً مبسطاً لتقدير دعم التمهيد المتوقع استناداً إلى مدخلات مثل عدد التسلسلات وطول المحاذاة ومعدل التحور. هذا النموذج يفترض أن كل موقع له احتمالية ثابتة ليكون داعماً للفرع الصحيح، مما يبسط الحساب لكنه قد لا يعكس التعقيد الحقيقي لعملية التمهيد. لذلك، ينبغي استخدام النتائج كتقدير تقريبي للتخطيط التجريبي، وليس كبديل عن الحساب الفعلي لأشجار التمهيد باستخدام برامج متخصصة مثل RAxML أو MrBayes.

عدد تكرارات التمهيد (nBootstrap) يؤثر على دقة تقدير دعم التمهيد وخطأه المعياري. من الناحية الإحصائية، دعم التمهيد هو نسبة من عدد التكرارات التي أظهرت الفرع. إذا كان الدعم الحقيقي هو p (غير معروف)، فإن دعم التمهيد المقدر p̂ يتبع توزيعاً ذا حدين مع تباين p(1-p)/nBootstrap. كلما زاد nBootstrap، قل الخطأ المعياري. على سبيل المثال، إذا كان p=0.8، فإن الخطأ المعياري لـ 100 تكرار هو sqrt(0.8*0.2/100)=0.04 (4%)، بينما لـ 1000 تكرار هو 0.0126 (1.26%). عملياً، يوصي العديد من الباحثين باستخدام 1000 تكرار للحصول على تقديرات مستقرة. لكن إذا كانت البيانات كبيرة جداً، قد يكون 500 تكرار كافياً. لاحظ أن زيادة nBootstrap يزيد الوقت الحسابي خطياً، لذا يجب الموازنة. في الحاسبة، nBootstrap لا يؤثر على الصيغة الرياضية المستخدمة لحساب الدعم المتوقع (لأن الصيغة تعطي تقديراً نظرياً يعتمد على mu و nSites و sequences). لكن في الواقع، nBootstrap يؤثر على دقة التقدير التجريبي. لذلك، عند استخدام الحاسبة، أدخل العدد المخطط لاستخدامه في التحليل الفعلي. إذا كنت في مرحلة التخطيط، يمكنك تجربة قيم مختلفة لترى كيف يتغير الدعم المتوقع مع nBootstrap (على الرغم من أن الصيغة لا تتغير). تذكر أن الهدف هو تحقيق دعم عالٍ (مثلاً >95%)، وزيادة nBootstrap لا يزيد الدعم نفسه بل يقلل التباين. لذا، إذا كان الدعم المتوقع منخفضاً (مثلاً 60%)، فإن زيادة nBootstrap إلى 10000 لن يرفعه إلى 95%، بل سيجعل التقدير أكثر دقة حول 60%. لرفع الدعم، يجب تحسين البيانات (مثلاً زيادة طول المحاذاة أو استخدام مواقع أكثر تحفظاً).

إذا كان دعم التمهيد المتوقع منخفضاً (أقل من 50% أو حتى أقل من 70%)، فهذا يشير إلى أن الفرع الذي تدرسه قد يكون ضعيفاً أو غير مدعوم بما يكفي من البيانات. الأسباب المحتملة: (1) عدد قليل من المواقع المفيدة (mu صغير)، (2) طول المحاذاة قصير (nSites صغير)، (3) عدد كبير من التسلسلات (sequences كبير) مما يؤدي إلى زيادة الضوضاء. لتحسين الدعم، يمكنك اتباع الاستراتيجيات التالية: أ. زيادة طول المحاذاة: إذا كان ذلك ممكناً، قم بإضافة مواقع جينية إضافية أو دمج جينات متعددة. ب. تحسين المحاذاة: إزالة المناطق غير المحاذية جيداً أو الفجوات، مما قد يزيد من نسبة المواقع المفيدة. ج. تقليل عدد التسلسلات: في بعض الأحيان، وجود تسلسلات متشابهة جداً أو ضوضاء يمكن أن يخفف الإشارة. يمكنك محاولة استبعاد التسلسلات ذات الجودة المنخفضة أو تلك التي تسبب تشويشاً. د. استخدام نموذج تطوري أكثر ملاءمة: إذا كان mu يقدر من نموذج، فاختيار نموذج أفضل (مثل GTR + Gamma) قد يعطي mu أعلى. هـ. زيادة عدد التكرارات لا يحسن الدعم نفسه، بل يزيد دقة التقدير. و. في بعض الحالات، قد يكون الفرع غير موجود أصلاً (أي أن البيانات لا تدعمه)، لذا قد تحتاج إلى إعادة النظر في فرضياتك. تذكر أن الحاسبة تعطي تقديراً تقريبياً، لذا قد تختلف النتائج الفعلية. استخدم هذه المعلومات كدليل إرشادي لتخطيط التجارب.

معدل التحور (mu) في هذه الحاسبة يمثل النسبة المتوقعة من المواقع في المحاذاة التي تكون مفيدة تطورياً، أي المواقع التي تحمل إشارة تدعم فرعاً معيناً في الشجرة. من المنطقي أنه كلما زادت هذه النسبة، زادت احتمالية أن تحتوي عينة التمهيد على عدد كافٍ من المواقع الداعمة لظهور الفرع. رياضياً، في الصيغة المستخدمة (الدعم = 100 × (1 - (1 - mu)^(nSites/(sequences-1))))، نرى أن الدعم هو دالة متزايدة في mu. عندما mu=0، يكون الدعم 0% (لأنه لا توجد مواقع داعمة). وعندما mu=1، يصبح الدعم 100% (لأن كل المواقع داعمة). ولكن في الواقع، mu غالباً ما يكون صغيراً (أقل من 0.5). على سبيل المثال، إذا كان mu=0.1 (10%)، و nSites=1000 و sequences=20، فإن الأس = 1000/19≈52.63، و (0.9)^52.63 ≈ 0.0039، والدعم ≈ 99.6%. بينما إذا كان mu=0.01 (1%)، فإن (0.99)^52.63 ≈ 0.59، والدعم ≈ 41%. نرى أن تغييراً صغيراً في mu يمكن أن يحدث فرقاً كبيراً. هذا يبرر أهمية الحصول على تقدير دقيق لـ mu من بياناتك. في الدراسات الحقيقية، يمكن تقدير mu من خلال تحليل المواقع المحافظة والمتغيرة، أو باستخدام نماذج تطورية. كما أن اختيار المنطقة الجينية يؤثر على mu: المناطق عالية التحور (مثل مناطق D-loop في الميتوكوندريا) تعطي mu عالياً ولكنها قد تكون مشوشة بسبب التطور المتقارب. المناطق المحافظة (مثل الجينات الريبوسومية) تعطي mu منخفضاً ولكنها تؤدي إلى فروع مدعومة بقوة إذا كانت موجودة. لذلك، يجب موازنة mu مع عوامل أخرى.

دعم التمهيد الإحصائي

أدخل القيم

خطوات الاستخدام

أمثلة محلولة

أمثلة محسوبة

الأسئلة الشائعة