Comparações entre estratégias de participação de caracteres discretos usando estatística bayesiana e de máxima verossimilhança

Abstract

Resumo: Atualmente, existe um claro renascimento no uso de matrizes morfológicas em análises filogenéticas modernas e complexas, com crescente importância em diferentes abordagens na Biologia Evolutiva. Um dos grandes avanços nas análises de dados morfológicos têm sido o uso de abordagens analíticas particionadas e, em particular, usando pesos implícitos de caracteres homoplásicos para determinar tais partições. Nesta dissertação, avaliamos o desempenho das abordagens de Inferência Bayesiana (BI) e Máxima Verossimilhança (ML) na análise de dados morfológicos sob diferentes estratégias de particionamento e usando diferentes conjuntos de modelos evolutivos. Também testamos a implementação do ModelFinder, um procedimento automatizado de seleção de partições e modelos de evolução implementado no software IQTree. Nossos resultados sugerem que os modelos de evolução inferidos pelo ModelFinder possuem desempenho particularmente bom quando a análise leva em conta diferentes partições que utilizam diferentes modelos evolutivos e onde os comprimentos de ramo podem ser estimados separadamente. O uso do ModelFinder e estimativas filogenéticas usando ML pode ser considerada uma alternativa viável e muito mais eficiente computacionalmente em comparação à implementação de pesos implícitos em reconstruções filogenéticas usando BI, pelo menos considerando análises de caracteres discretos de pequenas matrizes morfológicas.

Abstract: There is, currently, a renaissance in the use of morphological matrices in modern and complex phylogenetic analyses, and a growing importance in many Evolutionary Biology approaches. One type of such advances in the analyses of morphological data has been in the use of partitioned analytical approaches and, in particular, by using implicit weights of homoplasic characters to determine such partitions. In this dissertation, we evaluated the performance of Bayesian Inference (BI) and Maximum Likelihood (ML) approaches on the analyses of morphological data under different partitioning strategies and using different sets of evolutionary models. We also tested the implementation of ModelFinder, an automated partition selection procedure implemented in the software IQTree. Our results suggest that the evolutionary models inferred by ModelFinder are particularly good when different partitions are allowed to have different evolutionary models and branch lengths are separately estimated. The use of ModelFinder and phylogenetic estimation using ML approaches can be considered an important and more computationally efficient alternative to implementing implied weights under BI phylogenetic reconstructions, at least when applied to the analyses of discrete characters of small morphological matrices.