raxmlHPC-PTHREADS - آنلاین در ابر

برنامه:

نام

استفاده - حداکثر احتمال تصادفی محور

شرح

استفاده از raxml با پشتیبانی AVX (1 cpus)

این RAxML نسخه 8.2.4 است که توسط الکساندروس استاماتاکیس در 02 اکتبر 2015 منتشر شد.

با مشارکت کد بسیار قدردانی شده توسط: Andre Aberer (HITS) Simon Berger
(HITS) Alexey Kozlov (HITS) Kassian Kobert (HITS) David Dao (KIT and HITS)
نیک پتنگل (ساندیا) وین فایفر (SDSC) آکیفومی اس تانابه (NRIFS)

لطفاً به کتابچه راهنمای RAxML نیز مراجعه کنید

لطفا اشکالات را از طریق گروه گوگل RAxML گزارش کنید! لطفاً همه فایل های ورودی، دقیق را برای ما ارسال کنید
فراخوانی، جزئیات HW و سیستم عامل، و همچنین تمام پیام های خطا چاپ شده است
برای نمایش

raxmlHPC[-SSE3|-AVX|-PTHREADS|-PTHREADS-SSE3|-PTHREADS-AVX|-HYBRID|-HYBRID-SSE3|HYBRID-AVX]

-s sequenceFileName -n نام فایل خروجی -m جایگزینی مدل

[-a weightFileName] [-A secondaryStructureSubstModel] [-b
bootstrapRandomNumberSeed] [-B wcCriterionThreshold] [-c numberOfCategories] [-C]
[-d] [-D] [-e likelihoodEpsilon] [-E excludeFileName] [-f
a|A|b|B|c|C|d|D|e|E|F|g|G|H|H|I|I|J|J|k|m|n|N|o|p| P|q|r|R|s|S|t|T|u|v|V|w|W|x|y]
[-F] [-g groupingFileName] [-G placementThreshold] [-h] [-H] [-i
initialRearrangementSetting] [-I autoFC|autoMR|autoMRE|autoMRE_IGN] [-j] [-J
MR|MR_DROP|MRE|STRICT|STRICT_DROP|T_ ] [-k] [-K] [-L MR|MRE|T_ ]
[-M] [-o outGroupName1[,outGroupName2[,...]]][-O] [-p parsimonyRandomSeed] [-P
proteinModel] [-q multipleModelFileName] [-r binaryConstraintTree] [-R
binaryModelParamFile] [-S secondaryStructureFile] [-t userStartingTree] [-T
numberOfThreads] [-u] [-U] [-v] [-V] [-w outputDirectory] [-W slidingWindowSize]
[-x rapidBootstrapRandomNumberSeed] [-X] [-y] [-Y
quartetGroupingFileName|ancestralSequenceCandidatesFileName] [-z multipleTreesFile]
[-#|-N numberOfRuns|autoFC|autoMR|autoMRE|autoMRE_IGN]
[--Mesquite][--Silent][--No-Seq-check][--no-bfgs]
[--asc-corr=stamatakis|felsenstein|lewis]
[--flag-check][--auto-prot=ml|bic|aic|aicc]
[--epa-keep-placements=number][--epa-accumulated-threshold=threshold]
[--epa-prob-threshold=threshold] [--JC69][--K80][--HKY85]

-a یک نام فایل وزن ستون را برای اختصاص وزن های جداگانه به هر ستون مشخص کنید
تراز این وزن ها باید اعداد صحیح باشند که با هر نوع و تعداد از هم جدا شوند
فضاهای خالی در یک فایل جداگانه، برای مثال فایل "example_weights" را ببینید.

-A یکی از مدل های جایگزینی ساختار ثانویه پیاده سازی شده در RAxML را مشخص کنید.
همان نامگذاری در دفترچه راهنمای PHASE استفاده می شود، مدل های موجود: S6A، S6B،
S6C، S6D، S6E، S7A، S7B، S7C، S7D، S7E، S7F، S16، S16A، S16B

پیش‌فرض: مدل 16 حالته GTR (S16)

-b یک عدد صحیح (دانه تصادفی) مشخص کنید و bootstrapping را روشن کنید

پیش فرض: خاموش

-B یک عدد ممیز شناور بین 0.0 و 1.0 مشخص کنید که به عنوان برش استفاده می شود
آستانه برای معیارهای بوت استاپ مبتنی بر MR. تنظیم توصیه شده 0.03 است.

پیش فرض: 0.03 (تنظیم تعیین شده تجربی توصیه می شود)

-c هنگام مدل نرخ، تعداد دسته‌های نرخ متمایز را برای RAxML مشخص کنید
ناهمگونی روی CAT تنظیم شده است. نرخ‌های هر سایت به دسته‌بندی می‌شوند
numberOfCategories دسته ها را برای تسریع محاسبات درجه بندی می کند.

پیش فرض: 25

-C خروجی کامل را برای گزینه های "-L" و "-fi" فعال کنید. این بیشتر تولید خواهد کرد، همانطور که
و همچنین فایل های خروجی پرمخاطب تر

پیش فرض: خاموش

-d بهینه سازی ML را از درخت شروع تصادفی شروع کنید

پیش فرض: خاموش

-D معیار همگرایی جستجوی ML. این امر جستجوهای ML را در صورت نسبی قطع می کند
فاصله رابینسون-فولد بین درختان به دست آمده از دو SPR تنبل متوالی
چرخه کوچکتر یا برابر با 1٪ است. استفاده برای مجموعه داده های بسیار بزرگ توصیه می شود
شرایط طبقه بندی در درختان با بیش از 500 گونه این زمان اجرا را به همراه خواهد داشت
بهبود تقریباً 50٪ در حالی که فقط درختان کمی بدتر تولید می شود.

پیش فرض: خاموش

-e تنظیم دقت بهینه سازی مدل در واحدهای احتمال ورود به سیستم برای بهینه سازی نهایی
توپولوژی درختی

پیش فرض: 0.1
برای مدل‌هایی که از نسبت تخمین مکان‌های ثابت استفاده نمی‌کنند

0.001 برای مدل‌هایی که از نسبت تخمین مکان‌های ثابت استفاده می‌کنند

-E نام فایل Exclude را مشخص کنید که حاوی مشخصات موقعیت های تراز است
می خواهید حذف کنید فرمت مشابه Nexus است، فایل باید حاوی ورودی باشد
مانند "100-200 300-400"، برای حذف یک ستون تکی بنویسید، به عنوان مثال، "100-100"، اگر شما
با استفاده از یک مدل ترکیبی، یک فایل مدل مناسب نوشته خواهد شد.

-f انتخاب الگوریتم:

"-fa": تجزیه و تحلیل سریع بوت استرپ و جستجوی درخت ML با بهترین امتیاز در یک برنامه
اجرای "-f A": حالات اجدادی حاشیه ای را بر روی درخت مرجع ROOTED محاسبه کنید
با "-t" "-fb": اطلاعات دوپارتیشن را روی درختی که بر اساس "-t" ارائه شده است، بکشید
روی درختان متعدد

(به عنوان مثال، از یک بوت استرپ) در یک فایل مشخص شده توسط "-z"

"-f B": مقیاس‌کننده br-len و سایر پارامترهای مدل (GTR، آلفا و غیره) را روی یک درخت بهینه کنید.
ارائه شده با "-t".
درخت باید دارای طول شاخه باشد. طول شاخه ها بهینه نمی شود،
فقط با یک مقدار مشترک مقیاس شده است.

"-fc": بررسی کنید که آیا تراز به درستی توسط RAxML "-f C" خوانده می شود: اجدادی
تست توالی برای Jiajie، کاربران همچنین باید لیستی از نام تاکسون ها را از طریق ارائه دهند
-Y جدا شده توسط فضاهای سفید "-fd": تپه نوردی سریع جدید

پیش فرض: روشن

"-f D": تپه نوردی سریع با بوت استرپ های RELL "-fe": بهینه سازی مدل + شاخه
طول درخت ورودی داده شده در زیر GAMMA/GAMMAI فقط "-f E": بسیار سریع اجرا می شود
جستجوی درخت تجربی، در حال حاضر فقط برای آزمایش "-f F": سریع اجرا شود
جستجوی درختی تجربی، در حال حاضر فقط برای آزمایش "-fg": محاسبه هر گزارش سایت
احتمال وجود یک یا چند درخت دیگر از این طریق گذشت

"-z" و آنها را در فایلی بنویسید که توسط CONSEL قابل خواندن باشد
پارامترهای مدل فقط در اولین درخت تخمین زده می شود!

"-f G": محاسبه در هر گزارش سایت احتمالات برای یک یا چند درخت از طریق
"-z" و آنها را در فایلی بنویسید که توسط CONSEL قابل خواندن باشد. پارامترهای مدل
برای هر درخت مجدداً تخمین زده می شود

"-fh": محاسبه آزمون احتمال ورود به سیستم (SH-test) بین بهترین درخت که از طریق "-t" رد شده است.
و یک دسته از درختان دیگر از طریق "-z" منتقل می شوند پارامترهای مدل تخمین زده می شوند
فقط روی اولین درخت!

"-f H": محاسبه آزمون احتمال ورود به سیستم (SH-test) بین بهترین درخت که از طریق "-t" رد شده است.
و یک دسته از درختان دیگر از طریق "-z" منتقل می شود پارامترهای مدل خواهد بود
برای هر درخت دوباره تخمین زده می شود

"-fi": محاسبه نمرات IC و TC (Salichos and Rokas 2013) روی درختی که با "-t" ارائه شده است.
بر اساس درختان متعدد
(به عنوان مثال، از یک بوت استرپ) در یک فایل مشخص شده توسط "-z"

"-f I": یک الگوریتم ساده ریشه دهی درخت برای درختان بدون ریشه.
درخت را با ریشه زایی در شاخه ای که به بهترین وجه زیر درخت را متعادل می کند ریشه می دهد
طول (مجموع بیش از شاخه ها در زیر درختان) زیر درخت چپ و راست. آ
شاخه با تعادل بهینه همیشه وجود ندارد! شما باید درخت را مشخص کنید
می خواهید از طریق "-t" روت کنید.

"-fj": مجموعه ای از فایل های تراز بوت استرپ را از یک فایل alignemnt اصلی ایجاد کنید.
شما باید یک دانه را با "-b" و تعداد تکرارها را با "-#" مشخص کنید.

"-f J": مقادیر پشتیبانی مانند SH را در یک درخت مشخص که از طریق "-t" ارسال شده است، محاسبه کنید. "-fk":
طول شاخه های بلند را در مجموعه داده های پارتیشن بندی شده با داده های از دست رفته با استفاده از آن ثابت کنید

الگوریتم سرقت طول شاخه
این گزینه فقط در رابطه با "-t"، "-M" و "-q" کار می کند. چاپ خواهد شد
درختی با طول شاخه های کوتاه تر، اما دارای امتیاز احتمال یکسان است.

"-fm": مقایسه دوپارتیشن بین دو دسته درخت که از طریق "-t" و "-z" منتقل شده اند.
به ترتیب. این همبستگی پیرسون را بین همه دوپارتیشن ها برمی گرداند
در دو فایل درختی یافت شد. یک فایل به نام
RAxML_bipartitionFrequencies.outpuFileName چاپ خواهد شد که حاوی
فرکانس های دوپارتیشن جفتی دو مجموعه

"-fn": محاسبه امتیاز احتمال ورود به سیستم همه درختان موجود در یک فایل درختی ارائه شده توسط
"-z" تحت GAMMA یا GAMMA+P-Invar پارامترهای مدل بر روی
فقط اولین درخت!

"-f N": محاسبه امتیاز احتمال ورود به سیستم همه درختان موجود در یک فایل درختی ارائه شده توسط
"-z" تحت GAMMA یا GAMMA+P-Invar پارامترهای مدل مجدداً برای
هر درخت

"-fo": تپه نوردی سریع قدیمی و کندتر بدون قطع اکتشافی "-fp": انجام
افزودن گام به گام MP از توالی های جدید به درخت شروع ناقص و خروج
"-f P": یک قرار دادن فیلوژنتیک از درختان فرعی مشخص شده در یک فایل ارسال شده را انجام می دهد
از طریق "-z" به یک درخت مرجع داده شده

که در آن این زیردرخت ها وجود دارند که از طریق "-t" با استفاده از
الگوریتم قرارگیری تکاملی

"-fq": ماشین‌حساب کوارتت سریع "-fr": محاسبه دوتایی Robinson-Foulds (RF)
فاصله بین همه جفت درختان در یک فایل درختی که از طریق "-z" منتقل می شود

اگر درخت‌ها دارای برچسب‌های گره باشند که به عنوان مقادیر پشتیبانی اعداد صحیح نشان داده شده‌اند، برنامه نیز این کار را انجام خواهد داد
محاسبه دو طعم از
فاصله وزنی رابینسون-فولدز (WRF).

"-f R": محاسبه تمام فواصل رابینسون-فولدز (RF) زوجی بین درخت مرجع بزرگ
از طریق "-t" گذشت

و بسیاری از درختان کوچکتر (که باید زیرمجموعه ای از گونه درخت بزرگ داشته باشند) از آن عبور کردند
"-z".
این گزینه برای بررسی قابل قبول بودن فیلوژنی های بسیار بزرگ در نظر گرفته شده است
که دیگر نمی توان به صورت بصری بررسی کرد.

"-fs": یک تراز پارتیشن بندی شده چند ژنی را به ترتیب مربوطه تقسیم می کند
ترازهای فرعی "-f S": بایاس مکان‌یابی خاص سایت را با استفاده از ترک یکی محاسبه کنید
آزمون الهام گرفته از الگوریتم قرارگیری تکاملی "-ft": درخت تصادفی را انجام دهید
جستجو در یک درخت شروع ثابت "-f T": بهینه سازی کامل نهایی ML را انجام دهید
درخت از جستجوی سریع بوت استرپ در حالت مستقل "-fu": اجرای مورفولوژیکی
کالیبراسیون وزن با استفاده از حداکثر احتمال، این یک بردار وزن را برمی گرداند.

شما باید یک تراز مورفولوژیکی و یک درخت مرجع از طریق "-t" ارائه کنید.

"-fv": دسته‌بندی دسته‌ای از دنباله‌های محیطی به درخت مرجع با استفاده از روش کامل
درج ها را بخوانید
شما باید RAxML را با یک درخت مرجع غیر جامع و یک شروع کنید
تراز شامل تمام دنباله ها (مرجع + پرس و جو)

"-f V": دسته ای از توالی های محیطی را با استفاده از روش کامل در یک درخت مرجع طبقه بندی می کند
درج ها را بخوانید
شما باید RAxML را با یک درخت مرجع غیر جامع و یک شروع کنید
تراز شامل تمام دنباله ها (مرجع + پرس و جو) اخطار: این یک آزمایش است
پیاده سازی برای مدیریت کارآمدتر مجموعه داده های چند ژنی/کل ژنومی!

"-fw": محاسبه تست ELW روی دسته ای از درختان که از طریق "-z" رد شده است.
پارامترهای مدل فقط در اولین درخت تخمین زده می شود!

"-f W": محاسبه تست ELW روی دسته ای از درختان که از طریق "-z" رد شده اند.
پارامترهای مدل برای هر درخت مجدداً تخمین زده می شود

"-fx": محاسبه فاصله های ML به صورت جفتی، پارامترهای مدل ML بر روی MP تخمین زده می شود
درخت شروع یا درخت تعریف شده توسط کاربر که از طریق "-t" منتقل می شود، فقط برای مبتنی بر GAMMA مجاز است
مدل های ناهمگونی نرخ

"-fy": دسته‌بندی دسته‌ای از دنباله‌های محیطی به درخت مرجع با استفاده از صرفه‌جویی
شما باید RAxML را با یک درخت مرجع غیر جامع و یک شروع کنید
تراز شامل تمام دنباله ها (مرجع + پرس و جو)

پیش فرض برای "-f": تپه نوردی سریع جدید

-F جستجوهای درخت ML را تحت مدل CAT برای درختان بسیار بزرگ بدون تغییر به آن فعال کنید
GAMMA در پایان (حافظه را ذخیره می کند). این گزینه را می توان با GAMMA نیز استفاده کرد
مدل هایی به منظور جلوگیری از بهینه سازی کامل درخت ML با بهترین امتیاز در
پایان.

پیش فرض: خاموش

-g نام فایل درخت محدودیت چند شاخه ای که این درخت به آن نیاز ندارد را مشخص کنید
جامع باشد، یعنی نباید شامل همه گونه‌ها باشد

-G اکتشافی الگوریتم قرارگیری تکاملی مبتنی بر ML را با تعیین یک
مقدار آستانه (کسری از شاخه های درج با استفاده از آهسته ارزیابی می شود
درج تحت ML).

-h این پیام راهنما را نمایش دهید.

-H فشرده سازی الگو را غیرفعال کنید.

پیش فرض: روشن

-i تنظیم بازآرایی اولیه برای اعمال بعدی تغییرات توپولوژیکی
فاز

-I تحلیل بوت استاپ پسینی استفاده کنید:

"-I autoFC" برای معیار مبتنی بر فرکانس "-I autoMR" برای قانون اکثریت
معیار درخت اجماع "-I autoMRE" برای درخت اجماع قانون اکثریت گسترده
معیار "-I autoMRE_IGN" برای معیارهای مشابه MRE، اما شامل دوپارتیشن
در زیر آستانه که آیا آنها سازگار هستند

یا نه. این MRE را شبیه سازی می کند اما برای محاسبه سریعتر است.

شما همچنین باید یک فایل درختی حاوی چندین تکرار بوت استرپ را از طریق "-z" ارسال کنید.

-j مشخص می کند که فایل های درختی میانی باید در طول استاندارد روی فایل نوشته شوند
جستجوهای درختی ML و BS.

پیش فرض: خاموش

-J درخت اجماع قانون اکثریت را با "-J MR" یا قانون اکثریت گسترده محاسبه کنید
درخت اجماع با "-J MRE" یا درخت اجماع دقیق با "-J STRICT". برای یک
آستانه اجماع سفارشی >= 50%، T_ را مشخص کنید ، جایی که 100 >= NUM ​​>= 50.
گزینه های "-J STRICT_DROP" و "-J MR_DROP" الگوریتمی را اجرا می کنند که شناسایی می کند
قطره هایی که حاوی گونه های سرکش هستند که توسط Pattengale و همکاران پیشنهاد شده است. در کاغذ
"کشف اجماع فیلوژنتیکی پنهان". شما همچنین باید یک درخت تهیه کنید
فایل حاوی چندین درخت UNROOTED از طریق "-z"

-k مشخص می کند که درختان بوت استرپ باید با طول شاخه چاپ شوند. در
بوت استرپ ها کمی طولانی تر اجرا می شوند، زیرا پارامترهای مدل در آن بهینه می شوند
پایان هر اجرا به ترتیب تحت GAMMA یا GAMMA+P-Invar.

پیش فرض: خاموش

-K یکی از مدل‌های جایگزین چند حالته (حداکثر 32 حالت) را که در آن پیاده‌سازی شده است، مشخص کنید
RAxML. مدل های موجود عبارتند از: ORDERED، MK، GTR

پیش فرض: مدل GTR

-L درخت‌های اجماع برچسب‌گذاری شده با پشتیبانی IC و مقدار کلی TC را محاسبه کنید
پیشنهاد شده در Salichos و Rokas 2013. درخت اجماع قانون اکثریت را با
"-L MR" یا درخت اجماع قانون اکثریت گسترده با "-L MRE". برای یک سفارش
آستانه اجماع >= 50%، "-L T_" را مشخص کنید "، جایی که 100 >= NUM ​​>= 50. شما این کار را خواهید کرد
البته همچنین باید یک فایل درختی حاوی چندین درخت UNROOTED ارائه شود
"-z"!

-m مدل باینری (مورفولوژیکی)، نوکلئوتیدی، چند حالته یا اسید آمینه
جایگزینی:

دودویی:

"-m BINCAT[X]"
: بهینه سازی سایت خاص

نرخ های تکاملی که به تعداد دسته بندی های متمایز طبقه بندی می شوند
دسته بندی نرخ برای بازده محاسباتی بیشتر درخت نهایی ممکن است ارزیابی شود
بسته به گزینه جستجوی درخت به طور خودکار تحت BINGAMMA. با
ضمیمه اختیاری "X" شما می توانید یک تخمین ML از فرکانس های پایه را مشخص کنید.

"-m BINCATI[X]"
: بهینه سازی سایت خاص

نرخ های تکاملی که به تعداد دسته بندی های متمایز طبقه بندی می شوند
دسته بندی نرخ برای بازده محاسباتی بیشتر درخت نهایی ممکن است ارزیابی شود
به طور خودکار در زیر BINGAMMAI، بسته به گزینه جستجوی درخت. با
ضمیمه اختیاری "X" شما می توانید یک تخمین ML از فرکانس های پایه را مشخص کنید.

"-m ASC_BINCAT[X]"
: بهینه سازی سایت خاص

نرخ های تکاملی که به تعداد دسته بندی های متمایز طبقه بندی می شوند
دسته بندی نرخ برای بازده محاسباتی بیشتر درخت نهایی ممکن است ارزیابی شود
بسته به گزینه جستجوی درخت به طور خودکار تحت BINGAMMA. با
ضمیمه اختیاری "X" شما می توانید یک تخمین ML از فرکانس های پایه را مشخص کنید. ASC
پیشوند احتمال سوگیری قطعیت را تصحیح خواهد کرد.

"-m BINGAMMA[X]"
: مدل گاما ناهمگنی نرخ (پارامتر آلفا برآورد خواهد شد).

با ضمیمه اختیاری "X" می توانید یک تخمین ML از فرکانس های پایه را مشخص کنید.

"-m ASC_BINGAMMA[X]" : مدل گاما ناهمگنی نرخ (پارامتر آلفا خواهد بود
تخمین زده).
پیشوند ASC احتمال سوگیری قطعیت را تصحیح خواهد کرد. با
ضمیمه اختیاری "X" شما می توانید یک تخمین ML از فرکانس های پایه را مشخص کنید.

"-m BINGAMMAI[X]"
: مانند BINGAMMA، اما با تخمین نسبت سایت های متغیر.

با ضمیمه اختیاری "X" می توانید یک تخمین ML از فرکانس های پایه را مشخص کنید.

نوکلئوتیدها:

"-m GTRCAT[X]"
: GTR + بهینه سازی نرخ تعویض + بهینه سازی سایت خاص

نرخ های تکاملی که به تعداد دسته بندی های متمایز طبقه بندی می شوند
دسته بندی نرخ برای بازده محاسباتی بیشتر درخت نهایی ممکن است باشد
بسته به گزینه جستجوی درخت، تحت GTRGAMMA ارزیابی می شود. با اختیاری
ضمیمه "X" می توانید یک تخمین ML از فرکانس های پایه را مشخص کنید.

"-m GTRCATI[X]"
: GTR + بهینه سازی نرخ تعویض + بهینه سازی سایت خاص

نرخ های تکاملی که به تعداد دسته بندی های متمایز طبقه بندی می شوند
دسته بندی نرخ برای بازده محاسباتی بیشتر درخت نهایی ممکن است باشد
بسته به گزینه جستجوی درخت، تحت GTRGAMMAI ارزیابی می شود. با اختیاری
ضمیمه "X" می توانید یک تخمین ML از فرکانس های پایه را مشخص کنید.

"-m ASC_GTRCAT[X]"
: GTR + بهینه سازی نرخ تعویض + بهینه سازی سایت خاص

نرخ های تکاملی که به تعداد دسته بندی های متمایز طبقه بندی می شوند
دسته بندی نرخ برای بازده محاسباتی بیشتر درخت نهایی ممکن است باشد
بسته به گزینه جستجوی درخت، تحت GTRGAMMA ارزیابی می شود. با اختیاری
ضمیمه "X" می توانید یک تخمین ML از فرکانس های پایه را مشخص کنید. پیشوند ASC
احتمال سوگیری قطعیت را تصحیح خواهد کرد.

"-m GTRGAMMA[X]"
: GTR + بهینه سازی نرخ تعویض + مدل گاما نرخ

ناهمگنی (پارامتر آلفا برآورد خواهد شد).
با ضمیمه اختیاری "X" می توانید یک تخمین ML از فرکانس های پایه را مشخص کنید.

"-m ASC_GTRGAMMA[X]" : GTR + بهینه‌سازی نرخ‌های جایگزینی + مدل GAMMA نرخ
ناهمگنی (پارامتر آلفا برآورد خواهد شد). پیشوند ASC درست خواهد شد
احتمال سوگیری قطعیت با ضمیمه اختیاری "X" می توانید
تخمین ML از فرکانس های پایه را مشخص کنید.

"-m GTRGAMMAI[X]"
: مانند GTRGAMMA، اما با تخمین نسبت سایت های غیر قابل تغییر.

با ضمیمه اختیاری "X" می توانید یک تخمین ML از فرکانس های پایه را مشخص کنید.

چند حالته:

"-m MULTICAT[X]"
: بهینه سازی سایت خاص

نرخ های تکاملی که به تعداد دسته بندی های متمایز طبقه بندی می شوند
دسته بندی نرخ برای بازده محاسباتی بیشتر درخت نهایی ممکن است ارزیابی شود
بسته به گزینه جستجوی درخت به طور خودکار تحت MULTIGAMMA. با
ضمیمه اختیاری "X" شما می توانید یک تخمین ML از فرکانس های پایه را مشخص کنید.

"-m MULTICATI[X]"
: بهینه سازی سایت خاص

نرخ های تکاملی که به تعداد دسته بندی های متمایز طبقه بندی می شوند
دسته بندی نرخ برای بازده محاسباتی بیشتر درخت نهایی ممکن است ارزیابی شود
بسته به گزینه جستجوی درخت به طور خودکار تحت MULTIGAMMAI. با
ضمیمه اختیاری "X" شما می توانید یک تخمین ML از فرکانس های پایه را مشخص کنید.

"-m ASC_MULTICAT[X]"
: بهینه سازی سایت خاص

نرخ های تکاملی که به تعداد دسته بندی های متمایز طبقه بندی می شوند
دسته بندی نرخ برای بازده محاسباتی بیشتر درخت نهایی ممکن است ارزیابی شود
بسته به گزینه جستجوی درخت به طور خودکار تحت MULTIGAMMA. با
ضمیمه اختیاری "X" شما می توانید یک تخمین ML از فرکانس های پایه را مشخص کنید. ASC
پیشوند احتمال سوگیری قطعیت را تصحیح خواهد کرد.

"-m MULTIGAMMA[X]"
: مدل گاما ناهمگنی نرخ (پارامتر آلفا برآورد خواهد شد).

با ضمیمه اختیاری "X" می توانید یک تخمین ML از فرکانس های پایه را مشخص کنید.

"-m ASC_MULTIGAMMA[X]" : مدل گاما ناهمگنی نرخ (پارامتر آلفا خواهد بود
تخمین زده).
پیشوند ASC احتمال سوگیری قطعیت را تصحیح خواهد کرد. با
ضمیمه اختیاری "X" شما می توانید یک تخمین ML از فرکانس های پایه را مشخص کنید.

"-m MULTIGAMMAI[X]"
: مانند MULTIGAMMA، اما با تخمین نسبت سایت های متغیر.

با ضمیمه اختیاری "X" می توانید یک تخمین ML از فرکانس های پایه را مشخص کنید.

شما می توانید تا 32 حالت کاراکتر مجزا برای رمزگذاری مناطق چند حالته استفاده کنید
باید به ترتیب زیر استفاده شود: 0، 1، 2، 3، 4، 5، 6، 7، 8، 9، A، B، C، D، E،
F، G، H، I، J، K، L، M، N، O، P، Q، R، S، T، U، V یعنی اگر 6 مورد متمایز دارید
کاراکتر بیان می کند که شما از 0، 1، 2، 3، 4، 5 برای رمزگذاری آنها استفاده می کنید. تعویض
مدل برای مناطق چند حالته را می توان از طریق گزینه "-K" انتخاب کرد

آمینو اسید:

"-m PROTCATmatrixName[F|X]"
: ماتریس AA مشخص شده + بهینه سازی نرخ تعویض + بهینه سازی
خاص سایت

نرخ های تکاملی که به تعداد دسته بندی های متمایز طبقه بندی می شوند
دسته بندی نرخ برای بازده محاسباتی بیشتر درخت نهایی ممکن است باشد
بسته به درخت به طور خودکار تحت PROTGAMMAmatrixName[F|X] ارزیابی می شود
گزینه جستجو با ضمیمه اختیاری "X" می توانید تخمین ML را مشخص کنید
فرکانس های پایه

"-m PROTCATImatrixName[F|X]"
: ماتریس AA مشخص شده + بهینه سازی نرخ تعویض + بهینه سازی
خاص سایت

نرخ های تکاملی که به تعداد دسته بندی های متمایز طبقه بندی می شوند
دسته بندی نرخ برای بازده محاسباتی بیشتر درخت نهایی ممکن است باشد
بسته به درخت به طور خودکار تحت PROTGAMMAImatrixName[F|X] ارزیابی می شود
گزینه جستجو با ضمیمه اختیاری "X" می توانید تخمین ML را مشخص کنید
فرکانس های پایه

"-m ASC_PROTCATmatrixName[F|X]"
: ماتریس AA مشخص شده + بهینه سازی نرخ تعویض + بهینه سازی
خاص سایت

نرخ های تکاملی که به تعداد دسته بندی های متمایز طبقه بندی می شوند
دسته بندی نرخ برای بازده محاسباتی بیشتر درخت نهایی ممکن است باشد
بسته به درخت به طور خودکار تحت PROTGAMMAmatrixName[F|X] ارزیابی می شود
گزینه جستجو با ضمیمه اختیاری "X" می توانید تخمین ML را مشخص کنید
فرکانس های پایه پیشوند ASC احتمال قطعیت را تصحیح می کند
جانبداری.

"-m PROTGAMMAmatrixName[F|X]"
: ماتریس AA مشخص شده + بهینه سازی نرخ جایگزینی + مدل نرخ گاما

ناهمگنی (پارامتر آلفا برآورد خواهد شد).
با ضمیمه اختیاری "X" می توانید یک تخمین ML از فرکانس های پایه را مشخص کنید.

"-m ASC_PROTGAMMAmatrixName[F|X]" : ماتریس AA مشخص شده + بهینه سازی جایگزینی
نرخ ها + مدل گاما نرخ
ناهمگنی (پارامتر آلفا برآورد خواهد شد). پیشوند ASC درست خواهد شد
احتمال سوگیری قطعیت با ضمیمه اختیاری "X" می توانید
تخمین ML از فرکانس های پایه را مشخص کنید.

"-m PROTGAMMAImatrixName[F|X]"
: مانند PROTGAMMAmatrixName[F|X]، اما با تخمین نسبت متغیرهای متغیر
سایت های.

با ضمیمه اختیاری "X" می توانید یک تخمین ML از فرکانس های پایه را مشخص کنید.

مدل‌های جایگزین AA موجود: DAYHOFF، DCMUT، JTT، MTREV، WAG، RTREV، CPREV،
VT، BLOSUM62، MTMAM، LG، MTART، MTZOA، PMB، HIVB، HIVW، JTTDCMUT، FLU، STMTREV،
DUMMY، DUMMY2، AUTO، LG4M، LG4X، PROT_FILE، GTR_UNLINKED، GTR با "F" اختیاری
پیوست می توانید مشخص کنید که آیا می خواهید از فرکانس های پایه تجربی استفاده کنید. AUTOF و
AUTOX دیگر پشتیبانی نمی شود، اگر AUTO را مشخص کنید، prot subst را آزمایش می کند.
مدل های با و بدون فرکانس های پایه تجربی در حال حاضر! لطفا توجه داشته باشید که برای
مدل های پارتیشن بندی شده می توانید علاوه بر این، مدل AA هر ژن را در آن مشخص کنید
فایل پارتیشن (برای جزئیات به کتابچه راهنمای کاربر مراجعه کنید). همچنین توجه داشته باشید که اگر AA GTR را تخمین بزنید
پارامترهای موجود در یک مجموعه داده پارتیشن بندی شده، آنها به یکدیگر مرتبط می شوند (به طور مشترک تخمین زده می شوند).
همه پارتیشن ها برای جلوگیری از پارامترسازی بیش از حد

-M تخمین طول شاخه های جداگانه در هر پارتیشن را روشن کنید. فقط اثر داره
هنگامی که در ترکیب با "-q" استفاده می شود طول شاخه برای پارتیشن های فردی خواهد بود
چاپ شده در فایل های جداگانه میانگین وزنی طول شاخه ها توسط محاسبه می شود
با استفاده از طول پارتیشن مربوطه

پیش فرض: خاموش

-n نام فایل خروجی را مشخص می کند.

-o نام یک برونگروه منفرد یا لیستی از گروه های بیرونی جدا شده با کاما را مشخص کنید، به عنوان مثال
"-o Rat" یا "-o Rat, Mouse"، در صورتی که چندین گروه برون‌گروهی تک‌فیلتیک نباشند
نام اول در لیست به عنوان گروه برون‌گروه انتخاب می‌شود، بین آنها فاصله نگذارید
نام تاکسون ها!

-O بررسی برای توالی کاملاً نامشخص در تراز را غیرفعال کنید. برنامه خواهد شد
هنگامی که "-O" مشخص شده است با یک پیغام خطا خارج نشوید.

پیش فرض: بررسی فعال است

-p برای استنتاج های صرفه جویی یک عدد اعداد تصادفی مشخص کنید. این به شما اجازه می دهد
نتایج خود را بازتولید کنید و به من در رفع اشکال برنامه کمک خواهد کرد.

-P نام فایل یک مدل جایگزین AA (پروتئین) تعریف شده توسط کاربر را مشخص کنید. این فایل
باید شامل 420 ورودی باشد که 400 مورد اول نرخ تعویض AA است (این باید
یک ماتریس متقارن باشد) و 20 مورد آخر فرکانس های پایه تجربی هستند

-q نام فایلی را که شامل تخصیص مدل ها به تراز است، مشخص کنید
پارتیشن برای چندین مدل جایگزینی برای نحو این فایل لطفا
به دفترچه راهنما مراجعه کنید

-r نام فایل یک درخت محدودیت باینری را مشخص کنید. این درخت نیازی به بودن ندارد
جامع، یعنی نباید شامل همه گونه‌ها باشد

-R نام فایل یک فایل پارامتر مدل باینری که قبلاً بوده است را مشخص کنید
تولید شده با RAxML با استفاده از -f گزینه ارزیابی درخت. نام فایل باید
باشد: RAxML_binaryModelParameters.runID

-s نام فایل داده تراز را با فرمت PHYLIP مشخص کنید

-S نام فایل ساختار ثانویه را مشخص کنید. فایل می تواند حاوی "." برای
ستون های تراز که بخشی از یک ساقه را تشکیل نمی دهند و کاراکترهای "()<>[]{} به
نواحی ساقه و گره های کاذب را تعریف کنید

-t نام فایل درختی شروع کننده کاربر را در قالب Newick مشخص کنید

-T فقط نسخه PTHREADS! تعداد رشته هایی را که می خواهید اجرا کنید مشخص کنید. مطمئن شوید که
"-T" را حداکثر روی تعداد CPUهایی که روی دستگاه خود دارید تنظیم کنید، در غیر این صورت، وجود دارد
کاهش عملکرد بزرگ خواهد بود!

-u از میانه برای تقریب گسسته مدل نرخ گاما استفاده کنید
ناهمگونی

پیش فرض: خاموش

-U سعی کنید با استفاده از پیاده سازی مبتنی بر SEV برای ستون های شکاف روی شکاف بزرگ، حافظه را ذخیره کنید
ترازها این تکنیک در اینجا توضیح داده شده است:
http://www.biomedcentral.com/1471-2105/12/470 این فقط برای DNA و/یا کار می کند
داده های پروتئین و فقط با نسخه SSE3 یا AVX-vextorized کد.

-v نمایش اطلاعات نسخه

-V ناهمگونی نرخ را در بین مدل سایت ها غیرفعال کنید و از یکی بدون ناهمگنی نرخ استفاده کنید
بجای. فقط در صورتی کار می کند که مدل CAT ناهمگونی نرخ را مشخص کنید.

پیش فرض: از ناهمگنی نرخ استفاده کنید

-w مسیر FULL (!) به دایرکتوری که RAxML باید فایل های خروجی خود را در آن بنویسد

پیش فرض: فهرست فعلی

-W اندازه پنجره کشویی فقط برای الگوریتم بایاس مکان خاص یک سایت
در صورت استفاده در ترکیب با "-f S" موثر است

پیش فرض: 100 سایت

-x یک عدد صحیح (دانه تصادفی) را مشخص کنید و راه‌اندازی سریع را روشن کنید احتیاط:
برخلاف نسخه 7.0.4 RAxML تکرارهای سریع BS را تحت مدل
نرخ ناهمگونی را که از طریق "-m" مشخص کرده اید و نه به طور پیش فرض در CAT

-X همانند گزینه "-y" در زیر، با این حال جستجوی صرفه‌جویی سطحی‌تر است.
RAxML فقط یک درخت صرفه‌جویی مرتبه جمع‌آوری تصادفی‌شده را انجام می‌دهد
بازسازی بدون انجام هر گونه SPR اضافی. این ممکن است مفید باشد برای
مجموعه داده های کل ژنوم بسیار گسترده است، زیرا این می تواند از نظر توپولوژیکی بیشتر تولید کند
درختان شروع مختلف

پیش فرض: خاموش

-y اگر می خواهید فقط یک درخت شروع صرفه جویی را با RAxML محاسبه کنید "-y" را مشخص کنید
برنامه پس از محاسبه درخت شروع خارج می شود

پیش فرض: خاموش

-Y یک نام فایل گروه بندی چهارگانه را ارسال کنید که چهار گروه را برای رسم رباعی تعریف می کند
فرمت ورودی فایل باید شامل 4 گروه به شکل زیر باشد: (مرغ، انسان،
لوچ)، (گاو، کپور)، (موش، موش، فوک)، (نهنگ، قورباغه)؛ فقط در ترکیب کار می کند
با -f س !

-z نام فایل یک فایل حاوی چندین درخت به عنوان مثال از یک بوت استرپ را مشخص کنید
که باید برای ترسیم مقادیر دوپارتیشن روی درختی که با "-t"، It ارائه شده است، استفاده شود
همچنین می تواند برای محاسبه احتمالات گزارش هر سایت در ترکیب با "-fg" و
برای خواندن یک دسته درخت برای چند گزینه دیگر ("-fh"، "-fm"، "-fn").

-#|-N تعداد اجراهای جایگزین را روی درختان شروع مجزا در ترکیب مشخص کنید
با گزینه "-b"، این یک تجزیه و تحلیل تقویت کننده چندگانه را فراخوانی می کند توجه داشته باشید که "-N"
به عنوان یک جایگزین اضافه شده است زیرا "-#" گاهی اوقات با برخی مشکلات ایجاد می کند
سیستم های ارسال شغل MPI، زیرا "-#" اغلب برای شروع نظرات استفاده می شود. اگر شما
می خواهید از معیارهای بوت استاپ استفاده کنید "-# autoMR" یا "-# autoMRE" یا "-#" را مشخص کنید.
autoMRE_IGN" برای معیارهای مبتنی بر درخت قانون اکثریت (نگاه کنید به -I گزینه) یا "-#
autoFC" برای معیار مبتنی بر فرکانس. بوت استاپ فقط در آن کار خواهد کرد
ترکیب با "-x" یا "-b"

پیش فرض: 1 تجزیه و تحلیل

-- کهور فایل های خروجی را چاپ کنید که می توانند توسط Mesquite تجزیه شوند.

پیش فرض: خاموش

--بی صدا چاپ هشدارهای مربوط به توالی های یکسان و به طور کامل را غیرفعال می کند
مکان های نامشخص در تراز

پیش فرض: خاموش

--بدون بررسی بعدی بررسی MSA ورودی برای دنباله های یکسان و به طور کامل غیرفعال می شود
سایت های نامشخص
فعال کردن این گزینه ممکن است در زمان صرفه جویی کند، به ویژه برای فیلوژنومیک بزرگ
ترازها قبل از استفاده از این، مطمئن شوید که تراز را با استفاده از "-fc" بررسی کنید.
گزینه!

پیش فرض: خاموش

--no-bfgs استفاده خودکار از روش BFGS را برای بهینه سازی نرخ های GTR در حالت پارتیشن نشده غیرفعال می کند
مجموعه داده های DNA

پیش فرض: BFGS روشن است

--asc-corr اجازه می دهد تا نوع تصحیح تعصب قطعی را که می خواهید استفاده کنید، مشخص کنید.
3 وجود دارد

انواع موجود: --asc-corr=لوئیس: تصحیح استاندارد توسط پل لوئیس
--asc-corr=فلسنشتاین: تصحیح معرفی شده توسط جو فلسنشتاین که اجازه می دهد تا
به صراحت مشخص کنید

تعداد سایت‌های تغییرناپذیر (در صورت شناخته شدن) که فرد می‌خواهد آن‌ها را تصحیح کند.

--asc-corr=stamakis: اصلاحی که توسط خودم معرفی شده است که به صراحت اجازه می دهد
مشخص كردن
تعداد سایت های ثابت برای هر کاراکتر (در صورت شناخته شدن) که شخص می خواهد تصحیح کند
برای.

--بررسی پرچم هنگام استفاده از این گزینه، RAxML فقط بررسی می کند که آیا همه خط فرمان پرچم دارند یا خیر
مشخص شده در دسترس هستند و سپس خارج می شوند

با پیامی که همه پرچم‌های خط فرمان نامعتبر را فهرست می‌کند یا با پیامی که بیان می‌کند
که همه پرچم ها معتبر هستند.

---prot=ml|bic|aic|aicc هنگام استفاده از انتخاب خودکار مدل پروتئین، می‌توانید آن را انتخاب کنید
معیار انتخاب این مدل ها

RAxML همه subst های موجود را آزمایش می کند. مدل ها به جز LG4M، LG4X و
مدل‌های مبتنی بر GTR، با و بدون فرکانس‌های پایه تجربی. شما می توانید انتخاب کنید
بین انتخاب بر اساس امتیاز ML و معیارهای BIC، AIC، و AICc.

پیش فرض: میلی لیتر

--epa-keep-placements=عدد تعداد مکان های بالقوه ای را که می خواهید نگه دارید مشخص کنید
برای هر خوانده شده در الگوریتم EPA.

توجه داشته باشید که مقادیر واقعی چاپ شده نیز به تنظیمات مربوطه بستگی دارد
--epa-prob-threshold=آستانه !

پیش فرض: 7

--epa-prob-threshold=آستانه یک آستانه درصد برای گنجاندن پتانسیل مشخص کنید
قرار دادن یک خوانده بسته به

حداکثر وزن قرار دادن برای این خواندن. اگر این مقدار را روی 0.01 قرار دهید
که دارای وزن قرارگیری 1 درصد از حداکثر قرارگیری هستند، همچنان خواهند بود
چاپ شده به فایل اگر تنظیم از --epa-keep-placements اجازه می دهد

پیش فرض: 0.01

--epa-accumulated-threshold=آستانه یک آستانه وزن احتمال انباشته را مشخص کنید
که برای آن مکان های مختلف خوانده شده چاپ می شود

برای تشکیل پرونده مکان‌های خواندنی تا مجموع قرارگیری آنها چاپ می‌شود
وزن به مقدار آستانه رسیده است. توجه داشته باشید که این گزینه نمی تواند باشد
مورد استفاده در ترکیب با --epa-prob-threshold و نه با --epa-keep-placements!

--JC69 مشخص کنید که تمام پارتیشن های DNA تحت مدل جوکس-کانتور تکامل می یابند
تمام مشخصات مدل دیگر برای پارتیشن های DNA را نادیده می گیرد.

پیش فرض: خاموش

--K80 مشخص کنید که تمام پارتیشن‌های DNA تحت مدل K80 تکامل می‌یابند، این همه را لغو می‌کند
سایر مشخصات مدل برای پارتیشن های DNA

پیش فرض: خاموش

--HKY85 مشخص کنید که تمام پارتیشن‌های DNA تحت مدل HKY85 تکامل می‌یابند، این امر لغو می‌شود
تمام مشخصات مدل دیگر برای پارتیشن های DNA.

پیش فرض: خاموش

این RAxML نسخه 8.2.4 است که توسط الکساندروس استاماتاکیس در 02 اکتبر 2015 منتشر شد.

با مشارکت کد بسیار قدردانی شده توسط: Andre Aberer (HITS) Simon Berger
(HITS) Alexey Kozlov (HITS) Kassian Kobert (HITS) David Dao (KIT and HITS)
نیک پتنگل (ساندیا) وین فایفر (SDSC) آکیفومی اس تانابه (NRIFS)

با استفاده از خدمات onworks.net از raxmlHPC-PTHREADS به صورت آنلاین استفاده کنید