Relatório de Bioinformática

UNIVERSIDADE FEDERAL DE SÃO CARLOS – UFSCar

CENTRO DE CIÊNCIAS BIOLÓGICAS E DA SAÚDE – CCBS

DEPARTAMENTO DE GENÉTICA E EVOLUÇÃO – DGE

Relatório de Bioinformática

Reconstrução filogenética

Aluno: Guilherme da Cruz Silva 726448

SÃO CARLOS

2017

Atividades referentes ao roteiro da Aula 10 da disciplina de Bioinformática.

Seguindo-se os passos propostos pelo roteiro, após a instalação do software Mega e o download do arquivo “E.fasta”, o mesmo foi aberto no programa como mostrado na Figura 1.

[pic 1]

Figura 1

Em seguida, através dos passos propostos pelo roteiro (acessando-se o menu "Models" e selecionando-se "Find best DNA/Protein Models (ML)..."), uma lista composta pelos parâmetros estatísticos de avaliação dos modelos disponíveis apareceu como resultado, onde eram mostrados os melhores modelos para a análise do arquivo em ordem decrescente (Figura 2). Para a reconstrução filogenética, utilizou-se o modelo que aparesentou melhor desempenho. 

[pic 2]

Figura 2

Em seguida, foi feita a comparação entre duas árvores filogenéticas construídas a partir de dois algoritmos diferentes: um de distância (Neighot-Joining) e um cladístico (Máxima verossimilhança - ou maximum likehood), utilizando o modelo selecionado no item anterior. Para isso, foi preciso primeiro acessar o menu "Phylogeny" e clicar em "Construct/test Neighbor-Joining tree...". As janelas de diálogo foram configuradas de acordo com os dados fornecidos pelo roteiro (Figura 3). A árvore criada é mostrada na Figura 4.

[pic 3]

Figura 3

[pic 4]

Figura 4

Sem fechar a primeira árvore criada, acessou-se novamente o menu "Phylogeny" e selecionou-se "Construct/test Maximum Likehood tree...". A árvore criada é mostrada na Figura 5.

[pic 5]

Comparando-se as duas árvores filogenéticas, é possível chegar à conclusão de que a melhor opção seria usar máxima verossimilhança, uma vez que ela é mais eficiente. A principal vantagem do método de distância relaciona-se com a sua rapidez computacional; nesse caso, porém, a quantidade pequena de dados faz com que essa característica não seja muito importante.