适合检测Per va sive lec tio n的位点模型
关于文明的画
①FEL 固定效应似然法(FEL, Fixed Effects Likelihood)
使⽤最⼤似然(ML)⽅法来推断每个位点上的⾮同义(dN)和同义(dS)替换率，⽤于给定的编码⽐对和相应的系统发育。该⽅法假设在整个系统发育过程中，每个位点的选择压⼒是恒定的。注意，FEL适合⼩到中型数据
生气英文
②SLAC (Single-Likelihood Ancestor Counting)
模电实验对于给定的编码⽐对和相应的系统发育使⽤最⼤似然(ML)和计数⽅法的结合来推断每个位点上的⾮同义(dN)和同义(dS)替换率。像FEL⼀样，该⽅法假设在整个系统发育过程中，每个位点的选择压⼒是恒定的。SLAC和FEL精准度相似，但适合更⼤的数据，并且不适合⾼度分歧的序列
最后的一封信
③ FUBAR(Fast, Unconstrained Bayesian AppRoximation)
使⽤贝叶斯⽅法来推断给定编码⽐对和相应系统发育的每个位点上的⾮同义(dN)和同义(dS)替换率。该⽅法假设在整个系统发育过程中，每个位点的选择压⼒是恒定的。FUBAR适⽤于中到⼤数据集，预计在检测位点的普遍选择⽅⾯⽐FEL更有效。FUBAR是推断pervasive lection的⾸选⽅法。
适合检测episo dic lec tio n的位点模型
MEME(Mixed Effects Model of Evolution)
MEME(混合效应进化模型)采⽤混合效应最⼤似然⽅法来检验个别位点是否受到episodic positive或多样化选择的影响的假设。换句话
说，MEME的⽬的是检测在⼀定⽐例的分⽀下正选择下进化的位点。
对于每个位点，MEME推测两种ω值，以及在给定的分⽀下，以此ω进化的概率。为了推断ω，MEME会推断α(dS) 和两个不同的β(dN),β−和β+。在空模型和备择模型中，MEME强制β−≤α。因此β+是空模型和备择模型不同的关键：在空模型中，β+被限制为≤α，但在备择模型中不受限制。最终，当β+>α时，位点被推断为正选择，并使⽤似然⽐检验显⽰显著。
检测蛋⽩序列⽐对的正选择/定向选择的位点模型
FADE(FUBAR Aproach to Directional Evolution)
是⼀种基于FUBAR引⼊的贝叶斯框架(Bayesian framework)的⽅法，⽤来测试蛋⽩质⽐对中的位点是否受定向选择的影响。具体地说，FADE 将系统地测试，对于⽐对中的每个位点，与背景分⽀相⽐，⼀组指定的前景分⽀是否显⽰对特定氨基酸的替代偏向。该偏差参数的⾼值表明该位点对特定氨基酸的取代作⽤⼤⼤超过预期。使⽤贝叶斯因⼦(BF)评估FADE的统计显著性，其中BF>=100提供了强有
走客⼒的证据，表明该位点正在定向选择下进化。
重要的是，与HyPhy中的⼤多数⽅法不同，FADE不使⽤可逆的马尔可夫模型，因为它的⽬标是检测定向选择。因此，FADE分析需要⼀个有根的系统发育。在使⽤FADE进⾏分析之前，可以使⽤基于浏览器的交互⼯具“Phylotree.js”来帮助建⽴树的根。
两个branch-site 模型
检测独⽴分⽀的episo dic lec tio n(bra nc h-site m o del,a t a subt o f sites)
h-site mo
aBSREL (adaptive Branch-Site Random Effects Likelihood)
是常见的“Branch-Site”类模型的改进版本。aBSREL既允许分⽀的先验指定（即指定foreground branches)来测试选择，也可以以探索性的⽅式测试每个谱系以进⾏选择(p-value将⾃动进⾏BH校正，为什么叫探索性的⽅法呢，因为你可以先不指定foreground，来看看哪个⽀的pvalue更低，然后来针对那⼀⽀进⾏进⼀步的选择压⼒分析）。请注意，探索性的⽅法将牺牲功效。 aBSREL是在各个分⽀检测正选择的⾸选⽅法 ，需要注意⼀点的是，aBSREL是多次独⽴对指定的每⼀⽀进⾏检验的，也就是说，你指定了许多的branches，实质上和多次指定不同⼀个branch来多次运⾏，效果是⼀样的，⽽滕王阁序全诗
并⾮将这些branches视为⼀个整体去做检测
检测⼀个基因是否在某⼀分⽀或⼀组分⽀上的任何位点经历了正选择（即H yphy官⽅说⽐
是不厌呀pa ml的br a nc h site更准的模型（笑 ））
BUSTED(Branch-Site Unrestricted Statistical Test for Episodic Diversification)
通过测试⼀个基因是否在⾄少⼀个分⽀的⾄少⼀个位点上经历了正选择，BUSTED(分⽀位点⽆限制统计检验)提供了⼀个全基因(⾮位点特异性)正选择的测试。当运⾏BUSTED时，⽤户可以指定⼀组前景⽀来测试正选择(其余分⽀被指定为“背景”)，或者⽤户可以测试整个系统发⽣的正选择。在后⼀种情况下，整个树被有效地视为前景，正选择的检验考虑整个系统发育。这种⽅法对于相对较⼩的数据集(少于10个分类单元)特别有
新房入伙祝福语
)
