raxmlHPC-PTHREADS - Online di Cloud

PROGRAM:

NAMA

Gunakan - Kemungkinan Maksimum Dipercepat Secara Acak

DESKRIPSI

Gunakan raxml dengan dukungan AVX (1 cpus)

Ini adalah RAxML versi 8.2.4 yang dirilis oleh Alexandros Stamatakis pada 02 Oktober 2015.

Dengan kontribusi kode yang sangat dihargai oleh: Andre Aberer (HITS) Simon Berger
(HITS) Alexey Kozlov (HITS) Kassian Kobert (HITS) David Dao (KIT dan HITS)
Nick Pattengale (Sandia) Wayne Pfeiffer (SDSC) Akifumi S. Tanabe (NRIFS)

Silakan baca juga manual RAxML

Silakan laporkan bug melalui grup google RAxML! Kirimkan semua file input kepada kami, tepatnya
doa, detail HW dan sistem operasi, serta semua pesan kesalahan yang dicetak
untuk menyaring.

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

-s urutanFileName -n namaFile keluaran -m substitusiModel

[-a WeightFileName] [-A SecondaryStructureSubstModel] [-b
bootstrapRandomNumberSeed] [-B wcCriterionThreshold] [-c numberOfCategories] [-C]
[-d] [-D] [-e kemungkinanEpsilon] [-E mengecualikanFileName] [-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 penempatanThreshold] [-h] [-H] [-i
pengaturan pengaturan ulang awal] [-I autoFC|autoMR|autoMRE|autoMRE_IGN] [-j] [-J
MR|MR_DROP|MRE|STRICT|STRICT_DROP|T_ ] [-k] [-K] [-L MR|MRE|T_ ]
[-M] [-o keluarGroupName1[,outGroupName2[,...]]][-O] [-p parsimonyRandomSeed] [-P
proteinModel] [-q multipleModelFileName] [-r binerConstraintTree] [-R
binerModelParamFile] [-S SecondaryStructureFile] [-t userStartingTree] [-T
jumlah Utas] [-u] [-U] [-v] [-V] [-w Direktori Keluaran] [-W Ukuran Jendela Geser]
[-x rapidBootstrapRandomNumberSeed] [-X] [-y] [-Y
kuartetGroupingFileName|ancestralSequenceCandidatesFileName] [-z multipleTreesFile]
[-#|-N jumlah Proses|autoFC|autoMR|autoMRE|autoMRE_IGN]
[--mesquite][--diam][--no-seq-check][--no-bfgs]
[--asc-corr=stamatakis|felsenstein|lewis]
[--bendera-periksa][--auto-prot=ml|bic|aic|aicc]
[--epa-keep-placements=angka][--epa-akumulasi-threshold=ambang batas]
[--epa-prob-threshold=ambang batas] [--JC69][--K80][--HKY85]

-a Tentukan nama file bobot kolom untuk menetapkan bobot individual ke setiap kolom dari
keselarasan. Bobot tersebut harus berupa bilangan bulat yang dipisahkan oleh jenis dan jumlah apa pun
spasi putih di dalam file terpisah, lihat file "example_weights" sebagai contoh.

-A Tentukan salah satu model substitusi struktur sekunder yang diterapkan di RAxML.
Nomenklatur yang sama seperti dalam manual PHASE digunakan, model yang tersedia: S6A, S6B,
S6C, S6D, S6E, S7A, S7B, S7C, S7D, S7E, S7F, S16, S16A, S16B

DEFAULT: Model GTR 16-negara (S16)

-b Tentukan nomor integer (biji acak) dan aktifkan bootstrap

DEFAULT: MATI

-B tentukan angka floating point antara 0.0 dan 1.0 yang akan digunakan sebagai cutoff
ambang batas untuk kriteria bootstoping berbasis MR. Pengaturan yang disarankan adalah 0.03.

DEFAULT: 0.03 (pengaturan yang ditentukan secara empiris yang direkomendasikan)

-c Tentukan jumlah kategori tarif yang berbeda untuk RAxML saat model tarif
heterogenitas diatur ke CAT Tarif per situs individu dikategorikan ke dalam
numberOfCategories menilai kategori untuk mempercepat komputasi.

BAWAAN: 25

-C Aktifkan keluaran verbose untuk opsi "-L" dan "-fi". Ini akan menghasilkan lebih banyak, karena
serta lebih banyak file keluaran verbose

DEFAULT: MATI

-d mulai optimasi ML dari pohon awal acak

DEFAULT: MATI

-D Kriteria konvergensi pencarian ML. Ini akan menghentikan pencarian ML jika kerabatnya
Jarak Robinson-Foulds antara pohon diperoleh dari dua SPR malas berturut-turut
siklus lebih kecil atau sama dengan 1%. Penggunaan disarankan untuk kumpulan data yang sangat besar di
istilah taksa. Pada pohon dengan lebih dari 500 taksa ini akan menghasilkan waktu eksekusi
perbaikan sekitar 50% Sementara hanya menghasilkan pohon yang sedikit lebih buruk.

DEFAULT: MATI

-e atur presisi pengoptimalan model dalam unit kemungkinan log untuk pengoptimalan akhir dari
topologi pohon

BAWAAN: 0.1
untuk model yang tidak menggunakan proporsi estimasi situs invarian

0.001 untuk model menggunakan proporsi estimasi situs invarian

-E tentukan nama file pengecualian, yang berisi spesifikasi posisi penyelarasan
Anda ingin mengecualikan. Formatnya mirip dengan Nexus, file harus berisi entri
seperti "100-200 300-400", untuk mengecualikan penulisan satu kolom, misalnya, "100-100", jika Anda
menggunakan model campuran, file model yang diadaptasi dengan tepat akan ditulis.

-f pilih algoritma:

"-fa": analisis Bootstrap cepat dan mencari pohon ML dengan skor terbaik dalam satu program
jalankan "-f A": hitung status leluhur marjinal pada pohon referensi ROOTED yang disediakan
dengan "-t" "-fb": menggambar informasi bipartisi pada pohon yang disediakan dengan berbasis "-t"
di beberapa pohon

(misalnya, dari bootstrap) dalam file yang ditentukan oleh "-z"

"-f B": mengoptimalkan scaler br-len dan parameter model lainnya (GTR, alpha, dll.) pada pohon
dilengkapi dengan "-t".
Pohon itu harus mengandung panjang cabang. Panjang cabang tidak akan dioptimalkan,
hanya diskalakan dengan satu nilai umum.

"-fc": periksa apakah perataan dapat dibaca dengan benar oleh RAxML "-f C": ancestral
tes urutan untuk Jiajie, pengguna juga perlu memberikan daftar nama takson melalui
-Y dipisahkan oleh spasi putih "-fd": pendakian bukit cepat baru

DEFAULT: AKTIF

"-f D": pendakian bukit cepat dengan bootstrap RELL "-fe": optimalkan model+cabang
panjang untuk pohon input yang diberikan di bawah GAMMA/GAMMAI saja "-f E": eksekusi sangat cepat
pencarian pohon eksperimental, saat ini hanya untuk pengujian "-f F": eksekusi cepat
pencarian pohon eksperimental, saat ini hanya untuk pengujian "-fg": menghitung per log situs
Kemungkinan untuk satu bijih lebih banyak pohon lewat

"-z" dan tulis ke file yang dapat dibaca oleh CONSEL
Parameter model akan diestimasi pada pohon pertama saja!

"-f G": menghitung per log situs Kemungkinan untuk satu bijih lebih banyak pohon yang dilewati
"-z" dan tulis ke file yang dapat dibaca oleh CONSEL. Parameter model
akan diestimasi ulang untuk setiap pohon

"-fh": menghitung uji kemungkinan log (SH-test) antara pohon terbaik yang dilewatkan melalui "-t"
dan sekelompok pohon lain yang melewati "-z" Parameter model akan diperkirakan
di pohon pertama saja!

"-f H": menghitung uji kemungkinan log (SH-test) antara pohon terbaik yang dilewati melalui "-t"
dan sekelompok pohon lain yang dilewatkan melalui "-z" Parameter modelnya adalah
diestimasi ulang untuk setiap pohon

"-fi": menghitung skor IC dan TC (Salichos dan Rokas 2013) pada pohon yang dilengkapi dengan "-t"
berdasarkan banyak pohon
(misalnya, dari bootstrap) dalam file yang ditentukan oleh "-z"

"-f I": algoritma rooting pohon sederhana untuk pohon yang tidak di-root.
Ini akar pohon dengan rooting di cabang yang paling menyeimbangkan subtree
panjang (jumlah cabang di subpohon) dari subpohon kiri dan kanan. A
cabang dengan keseimbangan optimal tidak selalu ada! Anda perlu menentukan pohonnya
Anda ingin melakukan root melalui "-t".

"-fj": menghasilkan banyak file penyelarasan bootstrap dari file alignemnt asli.
Anda perlu menentukan benih dengan "-b" dan jumlah ulangan dengan "-#"

"-f J": Hitung nilai dukungan seperti SH pada pohon yang diberikan melalui "-t". "-fk":
Perbaiki panjang cabang yang panjang dalam kumpulan data yang dipartisi dengan data yang hilang menggunakan

algoritma pencurian panjang cabang.
Opsi ini hanya berfungsi bersama dengan "-t", "-M", dan "-q". Ini akan dicetak
pohon dengan panjang cabang yang lebih pendek, tetapi memiliki skor kemungkinan yang sama.

"-fm": membandingkan bipartisi antara dua tandan pohon yang dilewati melalui "-t" dan "-z"
masing-masing. Ini akan mengembalikan korelasi Pearson antara semua bipartisi
ditemukan di dua file pohon. Sebuah file bernama
RAxML_bipartitionFrequencies.outpuFileName akan dicetak yang berisi:
frekuensi bipartisi berpasangan dari dua set

"-fn": menghitung skor kemungkinan log dari semua pohon yang terkandung dalam file pohon yang disediakan oleh
"-z" di bawah GAMMA atau GAMMA+P-Invar Parameter model akan diperkirakan pada
pohon pertama saja!

"-f N": menghitung skor kemungkinan log dari semua pohon yang terkandung dalam file pohon yang disediakan oleh
"-z" di bawah GAMMA atau GAMMA+P-Invar Parameter model akan diestimasi ulang untuk
setiap pohon

"-fo": pendakian bukit cepat yang lama dan lebih lambat tanpa cutoff heuristik "-fp": perform
penambahan MP bertahap murni dari urutan baru ke pohon awal yang tidak lengkap dan keluar
"-f P": melakukan penempatan filogenetik dari subpohon yang ditentukan dalam file yang diteruskan
melalui "-z" ke dalam pohon referensi yang diberikan

di mana subpohon ini terkandung yang dilewatkan melalui "-t" menggunakan
algoritma penempatan evolusioner.

"-fq": kalkulator kuartet cepat "-fr": menghitung berpasangan Robinson-Foulds (RF)
jarak antara semua pasangan pohon dalam file pohon yang dilewatkan melalui "-z"

jika pohon memiliki labales simpul yang direpresentasikan sebagai nilai dukungan bilangan bulat, program juga akan
menghitung dua rasa dari
jarak tertimbang Robinson-Foulds (WRF)

"-f R": hitung semua jarak Robinson-Foulds (RF) berpasangan antara pohon referensi besar
dilewatkan melalui "-t"

dan banyak pohon yang lebih kecil (yang harus memiliki subset dari taksa pohon besar) yang dilewati
"-z".
Opsi ini dimaksudkan untuk memeriksa kemungkinan filogeni yang sangat besar
yang tidak dapat diperiksa secara visual lagi.

"-fs": pisahkan penyelarasan yang dipartisi multi-gen ke masing-masing
subalignments "-f S": hitung bias penempatan khusus situs menggunakan cuti satu
tes yang terinspirasi oleh algoritme penempatan evolusioner "-ft": lakukan pohon acak
pencarian di satu pohon awal tetap "-f T": lakukan pengoptimalan menyeluruh akhir dari ML
pohon dari pencarian bootstrap cepat dalam mode yang berdiri sendiri "-fu": jalankan morfologi
kalibrasi bobot menggunakan kemungkinan maksimum, ini akan mengembalikan vektor bobot.

anda perlu memberikan penyelarasan morfologis dan pohon referensi melalui "-t"

"-fv": mengklasifikasikan sekelompok urutan lingkungan ke dalam pohon referensi menggunakan menyeluruh
membaca sisipan
Anda harus memulai RAxML dengan pohon referensi non-komprehensif dan
keselarasan yang berisi semua urutan (referensi + kueri)

"-f V": mengklasifikasikan sekelompok urutan lingkungan ke dalam pohon referensi menggunakan menyeluruh
membaca sisipan
Anda harus memulai RAxML dengan pohon referensi non-komprehensif dan
keselarasan yang berisi semua urutan (referensi + kueri) PERINGATAN: ini adalah ujian
implementasi untuk penanganan dataset multi-gen/seluruh-genom yang lebih efisien!

"-fw": hitung tes ELW pada sekelompok pohon yang dilewati melalui "-z"
Parameter model akan diestimasi pada pohon pertama saja!

"-f W": hitung uji ELW pada sekelompok pohon yang dilewati melalui "-z"
Parameter model akan diestimasi ulang untuk setiap pohon

"-fx": menghitung jarak ML berpasangan, parameter model ML akan diperkirakan pada MP
pohon awal atau pohon yang ditentukan pengguna yang diteruskan melalui "-t", hanya diizinkan untuk berbasis GAMMA
model tingkat heterogenitas

"-fy": mengklasifikasikan sekelompok urutan lingkungan menjadi pohon referensi menggunakan hemat
Anda harus memulai RAxML dengan pohon referensi non-komprehensif dan
keselarasan yang berisi semua urutan (referensi + kueri)

DEFAULT untuk "-f": pendakian bukit cepat baru

-F aktifkan pencarian pohon ML di bawah model CAT untuk pohon yang sangat besar tanpa beralih ke
GAMMA pada akhirnya (menghemat memori). Opsi ini juga dapat digunakan dengan GAMMA
model untuk menghindari optimalisasi menyeluruh dari pohon ML dengan skor terbaik di
tamat.

DEFAULT: MATI

-g tentukan nama file dari pohon kendala multifurcating yang tidak diperlukan pohon ini
komprehensif, yaitu tidak boleh mengandung semua taksa

-G mengaktifkan heuristik algoritma penempatan evolusioner berbasis ML dengan menentukan a
nilai ambang (fraksi cabang penyisipan yang akan dievaluasi menggunakan slow
penyisipan di bawah ML).

-h Tampilkan pesan bantuan ini.

-H Nonaktifkan kompresi pola.

DEFAULT: AKTIF

-i Pengaturan penataan ulang awal untuk aplikasi perubahan topologi berikutnya
tahap

-I analisis bootstopping posteriori. Menggunakan:

"-I autoFC" untuk kriteria berbasis frekuensi "-I autoMR" untuk aturan mayoritas
kriteria pohon konsensus "-I autoMRE" untuk pohon konsensus aturan mayoritas yang diperluas
kriteria "-I autoMRE_IGN" untuk metrik yang mirip dengan MRE, tetapi menyertakan bipartisi
di bawah ambang batas apakah mereka kompatibel

atau tidak. Ini mengemulasi MRE tetapi lebih cepat untuk dihitung.

Anda juga harus melewati file pohon yang berisi beberapa replika bootstrap melalui "-z"

-j Menentukan bahwa file pohon perantara harus ditulis ke file selama standar
Pencarian pohon ML dan BS.

DEFAULT: MATI

-J Hitung pohon konsensus aturan mayoritas dengan "-J MR" atau aturan mayoritas diperpanjang
pohon konsensus dengan "-J MRE" atau pohon konsensus ketat dengan "-J STRICT". Untuk sebuah
ambang konsensus khusus >= 50%, tentukan T_ , di mana 100 >= NUM ​​>= 50.
Opsi "-J STRICT_DROP" dan "-J MR_DROP" akan menjalankan algoritme yang mengidentifikasi
tetes yang mengandung taksa nakal seperti yang diusulkan oleh Pattengale et al. di kertas
"Mengungkap konsensus filogenetik tersembunyi". Anda juga perlu menyediakan pohon
file yang berisi beberapa pohon UNROOTED melalui "-z"

-k Menentukan bahwa pohon bootstrap harus dicetak dengan panjang cabang. NS
bootstrap akan berjalan sedikit lebih lama, karena parameter model akan dioptimalkan pada
akhir setiap run di bawah GAMMA atau GAMMA+P-Invar masing-masing.

DEFAULT: MATI

-K Tentukan salah satu model substitusi multi-status (maks 32 status) yang diimplementasikan di
RAxML. Model yang tersedia adalah: ORDERED, MK, GTR

DEFAULT: Model GTR

-L Hitung pohon konsensus yang diberi label oleh dukungan IC dan nilai TC keseluruhan sebagai
diusulkan di Salichos dan Rokas 2013. Hitung pohon konsensus aturan mayoritas dengan
"-L MR" atau pohon konsensus aturan mayoritas diperpanjang dengan "-L MRE". Untuk sebuah kebiasaan
ambang konsensus >= 50%, tentukan "-L T_ ", di mana 100 >= NUM ​​>= 50. Anda akan
tentunya juga perlu menyediakan file pohon yang berisi beberapa pohon UNROOT melalui
"-z"!

-m Model Biner (Morfologi), Nukleotida, Multi-Negara, atau Asam Amino
Pengganti:

BINER:

"-m BINCAT[X]"
: Pengoptimalan situs khusus

tingkat evolusi yang dikategorikan ke dalam numberOfCategories berbeda
kategori tingkat untuk efisiensi komputasi yang lebih besar. Pohon terakhir mungkin dievaluasi
secara otomatis di bawah BINGAMMA, tergantung pada opsi pencarian pohon. Dengan
opsional "X" lampiran Anda dapat menentukan perkiraan ML frekuensi dasar.

"-m BINCATI[X]"
: Pengoptimalan situs khusus

tingkat evolusi yang dikategorikan ke dalam numberOfCategories berbeda
kategori tingkat untuk efisiensi komputasi yang lebih besar. Pohon terakhir mungkin dievaluasi
secara otomatis di bawah BINGAMMAI, tergantung pada opsi pencarian pohon. Dengan
opsional "X" lampiran Anda dapat menentukan perkiraan ML frekuensi dasar.

"-m ASC_BINCAT[X]"
: Pengoptimalan situs khusus

tingkat evolusi yang dikategorikan ke dalam numberOfCategories berbeda
kategori tingkat untuk efisiensi komputasi yang lebih besar. Pohon terakhir mungkin dievaluasi
secara otomatis di bawah BINGAMMA, tergantung pada opsi pencarian pohon. Dengan
opsional "X" lampiran Anda dapat menentukan perkiraan ML frekuensi dasar. ASC
awalan akan memperbaiki kemungkinan bias penetapan.

"-m BINGAMMA[X]"
: Model GAMMA dari tingkat heterogenitas (parameter alfa akan diestimasi).

Dengan lampiran "X" opsional, Anda dapat menentukan perkiraan ML frekuensi dasar.

"-m ASC_BINGAMMA[X]" : Model GAMMA dari tingkat heterogenitas (parameter alfa akan
diperkirakan).
Awalan ASC akan mengoreksi kemungkinan bias penetapan. Dengan
opsional "X" lampiran Anda dapat menentukan perkiraan ML frekuensi dasar.

"-m BINGAMMAI[X]"
: Sama seperti BINGAMMA, tetapi dengan perkiraan proporsi situs yang tidak berubah-ubah.

Dengan lampiran "X" opsional, Anda dapat menentukan perkiraan ML frekuensi dasar.

NUKLEOTIDA:

"-m GTRCAT[X]"
: GTR + Optimalisasi tarif substitusi + Optimalisasi khusus situs

tingkat evolusi yang dikategorikan ke dalam numberOfCategories berbeda
kategori tingkat untuk efisiensi komputasi yang lebih besar. Pohon terakhir mungkin
dievaluasi di bawah GTRGAMMA, tergantung pada opsi pencarian pohon. Dengan opsional
Apendiks "X" Anda dapat menentukan perkiraan ML frekuensi dasar.

"-m GTRCATI[X]"
: GTR + Optimalisasi tarif substitusi + Optimalisasi khusus situs

tingkat evolusi yang dikategorikan ke dalam numberOfCategories berbeda
kategori tingkat untuk efisiensi komputasi yang lebih besar. Pohon terakhir mungkin
dievaluasi di bawah GTRGAMMAI, tergantung pada opsi pencarian pohon. Dengan opsional
Apendiks "X" Anda dapat menentukan perkiraan ML frekuensi dasar.

"-m ASC_GTRCAT[X]"
: GTR + Optimalisasi tarif substitusi + Optimalisasi khusus situs

tingkat evolusi yang dikategorikan ke dalam numberOfCategories berbeda
kategori tingkat untuk efisiensi komputasi yang lebih besar. Pohon terakhir mungkin
dievaluasi di bawah GTRGAMMA, tergantung pada opsi pencarian pohon. Dengan opsional
Apendiks "X" Anda dapat menentukan perkiraan ML frekuensi dasar. Awalan ASC
akan memperbaiki kemungkinan bias penetapan.

"-m GTRGAMMA[X]"
: GTR + Optimalisasi tarif substitusi + model tarif GAMMA

heterogenitas (parameter alfa akan diperkirakan).
Dengan lampiran "X" opsional, Anda dapat menentukan perkiraan ML frekuensi dasar.

"-m ASC_GTRGAMMA[X]" : GTR + Optimalisasi tarif substitusi + model tarif GAMMA
heterogenitas (parameter alfa akan diestimasi). Awalan ASC akan benar
kemungkinan bias kepastian. Dengan lampiran "X" opsional, Anda dapat
menentukan perkiraan ML frekuensi dasar.

"-m GTRGAMMAI[X]"
: Sama seperti GTRGAMMA, tetapi dengan perkiraan proporsi situs yang tidak berubah-ubah.

Dengan lampiran "X" opsional, Anda dapat menentukan perkiraan ML frekuensi dasar.

MULTI-NEGARA:

"-m MULTICAT[X]"
: Pengoptimalan situs khusus

tingkat evolusi yang dikategorikan ke dalam numberOfCategories berbeda
kategori tingkat untuk efisiensi komputasi yang lebih besar. Pohon terakhir mungkin dievaluasi
secara otomatis di bawah MULTIGAMMA, tergantung pada opsi pencarian pohon. Dengan
opsional "X" lampiran Anda dapat menentukan perkiraan ML frekuensi dasar.

"-m MULTICATI[X]"
: Pengoptimalan situs khusus

tingkat evolusi yang dikategorikan ke dalam numberOfCategories berbeda
kategori tingkat untuk efisiensi komputasi yang lebih besar. Pohon terakhir mungkin dievaluasi
secara otomatis di bawah MULTIGAMMAI, tergantung pada opsi pencarian pohon. Dengan
opsional "X" lampiran Anda dapat menentukan perkiraan ML frekuensi dasar.

"-m ASC_MULTICAT[X]"
: Pengoptimalan situs khusus

tingkat evolusi yang dikategorikan ke dalam numberOfCategories berbeda
kategori tingkat untuk efisiensi komputasi yang lebih besar. Pohon terakhir mungkin dievaluasi
secara otomatis di bawah MULTIGAMMA, tergantung pada opsi pencarian pohon. Dengan
opsional "X" lampiran Anda dapat menentukan perkiraan ML frekuensi dasar. ASC
awalan akan memperbaiki kemungkinan bias penetapan.

"-m MULTIGAMMA[X]"
: Model GAMMA dari tingkat heterogenitas (parameter alfa akan diestimasi).

Dengan lampiran "X" opsional, Anda dapat menentukan perkiraan ML frekuensi dasar.

"-m ASC_MULTIGAMMA[X]" : Model GAMMA dari tingkat heterogenitas (parameter alfa akan
diperkirakan).
Awalan ASC akan mengoreksi kemungkinan bias penetapan. Dengan
opsional "X" lampiran Anda dapat menentukan perkiraan ML frekuensi dasar.

"-m MULTIGAMMAI[X]"
: Sama seperti MULTIGAMMA, tetapi dengan perkiraan proporsi situs yang tidak berubah-ubah.

Dengan lampiran "X" opsional, Anda dapat menentukan perkiraan ML frekuensi dasar.

Anda dapat menggunakan hingga 32 status karakter berbeda untuk mengkodekan wilayah multi-status, mereka
harus digunakan dalam urutan berikut: 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 yaitu, jika Anda memiliki 6 yang berbeda
menyatakan karakter Anda akan menggunakan 0, 1, 2, 3, 4, 5 untuk menyandikannya. Substitusi
model untuk wilayah multi-negara bagian dapat dipilih melalui opsi "-K"

ASAM AMINO:

"-m PROTCATmatriksName[F|X]"
: matriks AA yang ditentukan + Optimasi tingkat substitusi + Optimasi
khusus situs

tingkat evolusi yang dikategorikan ke dalam numberOfCategories berbeda
kategori tingkat untuk efisiensi komputasi yang lebih besar. Pohon terakhir mungkin
dievaluasi secara otomatis di bawah PROTGAMMAmatrixName[F|X], tergantung pada pohonnya
opsi pencarian. Dengan lampiran "X" opsional, Anda dapat menentukan perkiraan ML dari
frekuensi dasar.

"-m PROTCATImatrixName[F|X]"
: matriks AA yang ditentukan + Optimasi tingkat substitusi + Optimasi
khusus situs

tingkat evolusi yang dikategorikan ke dalam numberOfCategories berbeda
kategori tingkat untuk efisiensi komputasi yang lebih besar. Pohon terakhir mungkin
dievaluasi secara otomatis di bawah PROTGAMMAImatrixName[F|X], tergantung pada pohonnya
opsi pencarian. Dengan lampiran "X" opsional, Anda dapat menentukan perkiraan ML dari
frekuensi dasar.

"-m ASC_PROTCATmatriksName[F|X]"
: matriks AA yang ditentukan + Optimasi tingkat substitusi + Optimasi
khusus situs

tingkat evolusi yang dikategorikan ke dalam numberOfCategories berbeda
kategori tingkat untuk efisiensi komputasi yang lebih besar. Pohon terakhir mungkin
dievaluasi secara otomatis di bawah PROTGAMMAmatrixName[F|X], tergantung pada pohonnya
opsi pencarian. Dengan lampiran "X" opsional, Anda dapat menentukan perkiraan ML dari
frekuensi dasar. Awalan ASC akan memperbaiki kemungkinan untuk kepastian
bias.

"-m PROTGAMMAmatrixName[F|X]"
: matriks AA yang ditentukan + Optimalisasi tarif substitusi + model tarif GAMMA

heterogenitas (parameter alfa akan diperkirakan).
Dengan lampiran "X" opsional, Anda dapat menentukan perkiraan ML frekuensi dasar.

"-m ASC_PROTGAMMAmatrixName[F|X]" : matriks AA yang ditentukan + Optimalisasi substitusi
tarif + model tarif GAMMA
heterogenitas (parameter alfa akan diestimasi). Awalan ASC akan benar
kemungkinan bias kepastian. Dengan lampiran "X" opsional, Anda dapat
menentukan perkiraan ML frekuensi dasar.

"-m PROTGAMMAImatriksName[F|X]"
: Sama seperti PROTGAMMAmatrixName[F|X], tetapi dengan estimasi proporsi invariabel
situs.

Dengan lampiran "X" opsional, Anda dapat menentukan perkiraan ML frekuensi dasar.

Model substitusi AA yang tersedia: 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 Dengan "F" opsional
lampiran Anda dapat menentukan apakah Anda ingin menggunakan frekuensi dasar empiris. AUTOF dan
AUTOX tidak didukung lagi, jika Anda menentukan AUTO, itu akan menguji prot subst.
model dengan dan tanpa frekuensi dasar empiris sekarang! Harap dicatat bahwa untuk
model yang dipartisi, Anda juga dapat menentukan model AA per-gen di
file partisi (lihat manual untuk detailnya). Perhatikan juga bahwa jika Anda memperkirakan AA GTR
parameter pada dataset yang dipartisi, mereka akan ditautkan (diperkirakan bersama) di seluruh
semua partisi untuk menghindari parameter yang berlebihan

-M Aktifkan estimasi panjang cabang per partisi individu. Hanya memiliki efek
bila digunakan dalam kombinasi dengan "-q" Panjang cabang untuk masing-masing partisi akan menjadi
dicetak untuk memisahkan file Rata-rata tertimbang dari panjang cabang dihitung dengan:
menggunakan panjang partisi masing-masing

DEFAULT: MATI

-n Menentukan nama file output.

-o Tentukan nama outgrpoup tunggal atau daftar outgroup yang dipisahkan koma, misalnya
"-o Rat" atau "-o Rat,Mouse", jika beberapa outgroup tidak monofiletik
nama depan dalam daftar akan dipilih sebagai outgroup, jangan tinggalkan spasi di antara
nama takson!

-O Nonaktifkan pemeriksaan untuk urutan yang benar-benar tidak ditentukan dalam keselarasan. Program akan
tidak keluar dengan pesan kesalahan ketika "-O" ditentukan.

DEFAULT: centang diaktifkan

-p Tentukan seed nomor acak untuk inferensi hemat. Ini memungkinkan Anda untuk
mereproduksi hasil Anda dan akan membantu saya men-debug program.

-P Tentukan nama file model substitusi AA (Protein) yang ditentukan pengguna. File ini
harus berisi 420 entri, 400 yang pertama adalah tarif substitusi AA (ini harus
menjadi matriks simetris) dan 20 terakhir adalah frekuensi dasar empiris

-q Tentukan nama file yang berisi penugasan model untuk penyelarasan
partisi untuk beberapa model substitusi. Untuk sintaks file ini silahkan
berkonsultasi dengan manual.

-r Tentukan nama file dari pohon batasan biner. pohon ini tidak perlu
komprehensif, yaitu tidak boleh mengandung semua taksa

-R Tentukan nama file dari file parameter model biner yang sebelumnya telah
dihasilkan dengan RAxML menggunakan -f e pilihan evaluasi pohon. Nama file harus
menjadi: RAxML_binaryModelParameters.runID

-s Tentukan nama file data keselarasan dalam format PHYLIP

-S Tentukan nama file struktur sekunder. File dapat berisi "." untuk
kolom perataan yang tidak membentuk bagian dari batang dan karakter "()<>[]{}" untuk
tentukan daerah batang dan pseudoknots

-t Tentukan nama file pohon awal pengguna dalam format Newick

-T VERSI PTHREADS SAJA! Tentukan jumlah utas yang ingin Anda jalankan. Pastikan untuk
atur "-T" ke paling banyak jumlah CPU yang Anda miliki di mesin Anda, jika tidak, di sana
akan menjadi penurunan kinerja yang sangat besar!

-u gunakan median untuk pendekatan diskrit dari model laju GAMMA
heterogenitas

DEFAULT: MATI

-U Cobalah untuk menghemat memori dengan menggunakan implementasi berbasis SEV untuk kolom celah pada celah besar
keselarasan Teknik ini dijelaskan di sini:
http://www.biomedcentral.com/1471-2105/12/470 Ini hanya akan bekerja untuk DNA dan/atau
data PROTEIN dan hanya dengan kode versi SSE3 atau AVX-vextorized.

-v Menampilkan informasi versi

-V Nonaktifkan tingkat heterogenitas di antara model situs dan gunakan satu tanpa tingkat heterogenitas
sebagai gantinya. Hanya berfungsi jika Anda menentukan model CAT dari tingkat heterogenitas.

DEFAULT: gunakan tingkat heterogenitas

-w LENGKAP (!) path ke direktori di mana RAxML akan menulis file outputnya

DEFAULT: direktori saat ini

-W Ukuran jendela geser hanya untuk algoritme bias penempatan khusus situs yang ditinggalkan saja
efektif bila digunakan dalam kombinasi dengan "-f S"

DEFAULT: 100 situs

-x Tentukan nomor integer (biji acak) dan nyalakan bootstrap cepat PERHATIAN:
tidak seperti di versi 7.0.4 RAxML akan melakukan replikasi BS cepat di bawah model
menilai heterogenitas yang Anda tentukan melalui "-m" dan bukan secara default di bawah CAT

-X Sama seperti opsi "-y" di bawah, namun pencarian hemat lebih dangkal.
RAxML hanya akan melakukan pohon parsimony urutan penambahan bertahap secara acak
rekonstruksi tanpa melakukan SPR tambahan. Ini mungkin berguna untuk
kumpulan data seluruh genom yang sangat luas, karena ini dapat menghasilkan lebih banyak secara topologi
pohon awal yang berbeda.

DEFAULT: MATI

-y Jika Anda hanya ingin menghitung pohon awal parsimony dengan RAxML, tentukan "-y", the
program akan keluar setelah perhitungan pohon awal

DEFAULT: MATI

-Y Berikan nama file pengelompokan kuartet yang mendefinisikan empat grup untuk menggambar kuartet
Format input file harus berisi 4 grup dalam bentuk berikut: (Ayam, Manusia,
Loach), (Sapi, Ikan Mas), (Tikus, Tikus, Anjing Laut), (Paus, Katak); Hanya bekerja dalam kombinasi
dengan -f Q !

-z Tentukan nama file dari file yang berisi banyak pohon misalnya dari bootstrap
yang akan digunakan untuk menggambar nilai bipartisi ke pohon yang dilengkapi dengan "-t", It
juga dapat digunakan untuk menghitung kemungkinan log per situs dalam kombinasi dengan "-fg" dan
untuk membaca sekelompok pohon untuk beberapa opsi lain ("-fh", "-fm", "-fn").

-#|-N Tentukan jumlah alternatif yang dijalankan pada pohon awal yang berbeda Dalam kombinasi
dengan opsi "-b", ini akan memanggil beberapa analisis boostrap Perhatikan bahwa "-N"
telah ditambahkan sebagai alternatif karena "-#" terkadang menyebabkan masalah tertentu
Sistem pengajuan pekerjaan MPI, karena "-#" sering digunakan untuk memulai komentar. Jika kamu
ingin menggunakan kriteria bootstopping tentukan "-# autoMR" atau "-# autoMRE" atau "-#
autoMRE_IGN" untuk kriteria berbasis pohon aturan mayoritas (lihat -I pilihan) atau "-#
autoFC" untuk kriteria berbasis frekuensi. Bootstop hanya akan berfungsi di
kombinasi dengan "-x" atau "-b"

DEFAULT: 1 analisis tunggal

--mesquite Cetak file keluaran yang dapat diurai oleh Mesquite.

DEFAULT: Mati

--diam Menonaktifkan cetakan peringatan yang terkait dengan urutan yang identik dan seluruhnya
situs yang belum ditentukan dalam keselarasan

DEFAULT: Mati

--no-seq-periksa Menonaktifkan pemeriksaan MSA input untuk urutan yang identik dan seluruhnya
situs yang belum ditentukan.
Mengaktifkan opsi ini dapat menghemat waktu, khususnya untuk filogenomik besar
keberpihakan. Sebelum menggunakan ini, pastikan untuk memeriksa perataan menggunakan "-fc"
pilihan!

DEFAULT: Mati

--tidak-bfgs Menonaktifkan penggunaan otomatis metode BFGS untuk mengoptimalkan tarif GTR saat tidak dipartisi
kumpulan data DNA

DEFAULT: BFGS aktif

--asc-corr Memungkinkan untuk menentukan jenis koreksi bias pemastian yang ingin Anda gunakan.
Ada 3

jenis yang tersedia: --asc-corr=lewis: koreksi standar oleh Paul Lewis
--asc-corr=felsenstein: koreksi yang diperkenalkan oleh Joe Felsenstein yang memungkinkan untuk
tentukan secara eksplisit

jumlah situs yang tidak berubah (jika diketahui) yang ingin dikoreksi.

--asc-corr=stamakis: koreksi yang diperkenalkan oleh saya sendiri yang memungkinkan untuk secara eksplisit
menentukan
jumlah situs yang tidak berubah untuk setiap karakter (jika diketahui) yang ingin dikoreksi
untuk.

--periksa-bendera Saat menggunakan opsi ini, RAxML hanya akan memeriksa apakah semua flag baris perintah
yang ditentukan tersedia dan kemudian keluar

dengan pesan yang mencantumkan semua flag baris perintah yang tidak valid atau dengan pesan yang menyatakan
bahwa semua bendera valid.

--prot otomatis=ml|bic|aic|aicc Saat menggunakan pemilihan model protein otomatis, Anda dapat memilih
kriteria untuk memilih model ini.

RAxML akan menguji semua subst prot yang tersedia. model kecuali LG4M, LG4X dan
Model berbasis GTR, dengan dan tanpa frekuensi dasar empiris. Anda dapat memilih
antara seleksi berbasis skor ML dan kriteria BIC, AIC, dan AICc.

BAWANAN: ml

--epa-jaga-penempatan=jumlah tentukan jumlah penempatan potensial yang ingin Anda pertahankan
untuk setiap pembacaan dalam algoritma EPA.

Perhatikan bahwa, nilai aktual yang dicetak juga akan bergantung pada pengaturan untuk
--epa-prob-ambang batas=ambang !

BAWAAN: 7

--epa-prob-ambang batas=ambang tentukan ambang persen untuk memasukkan potensi
penempatan bacaan tergantung pada

bobot penempatan maksimum untuk bacaan ini. Jika Anda menetapkan nilai ini ke 0.01 penempatan
yang memiliki bobot penempatan 1 persen dari penempatan maksimum akan tetap
dicetak ke file jika pengaturan --epa-jaga-penempatan memungkinkan untuk itu

BAWAAN: 0.01

--epa-akumulasi-ambang=ambang tentukan ambang batas bobot kemungkinan yang terakumulasi
yang penempatan bacaannya berbeda dicetak

untuk mengajukan. Penempatan untuk bacaan akan dicetak sampai jumlah penempatannya
bobot telah mencapai nilai ambang batas. Perhatikan bahwa, opsi ini juga tidak dapat
digunakan dalam kombinasi dengan --epa-prob-ambang batas juga tidak dengan --epa-jaga-penempatan!

--JC69 tentukan bahwa semua partisi DNA akan berevolusi di bawah model Jukes-Cantor, ini
mengesampingkan semua spesifikasi model lain untuk partisi DNA.

DEFAULT: Mati

--K80 tentukan bahwa semua partisi DNA akan berkembang di bawah model K80, ini mengesampingkan semua
spesifikasi model lain untuk partisi DNA.

DEFAULT: Mati

--HKY85 tentukan bahwa semua partisi DNA akan berkembang di bawah model HKY85, ini menimpa
semua spesifikasi model lain untuk partisi DNA.

DEFAULT: Mati

Ini adalah RAxML versi 8.2.4 yang dirilis oleh Alexandros Stamatakis pada 02 Oktober 2015.

Dengan kontribusi kode yang sangat dihargai oleh: Andre Aberer (HITS) Simon Berger
(HITS) Alexey Kozlov (HITS) Kassian Kobert (HITS) David Dao (KIT dan HITS)
Nick Pattengale (Sandia) Wayne Pfeiffer (SDSC) Akifumi S. Tanabe (NRIFS)

Gunakan raxmlHPC-PTHREADS online menggunakan layanan onworks.net