Capítulo 13: Inferencia bayesiana con MrBayes

13.1 ¿Qué es la inferencia bayesiana?

La inferencia bayesiana filogenética parte del teorema de Bayes:

\[ P(\text{tree} \mid \text{data}) = \frac{P(\text{data} \mid \text{tree}, \text{model}) \cdot P(\text{tree})}{P(\text{data})} \]

Donde:

  • P(tree | data) = posterior: probabilidad del árbol dados los datos (lo que queremos estimar).
  • P(data | tree, model) = verosimilitud (igual que en ML).
  • P(tree) = prior: conocimiento previo sobre el árbol antes de ver los datos.
  • P(data) = evidencia marginal (constante normalizadora; no afecta al ranking de árboles).

La idea es combinar la información de los datos (verosimilitud) con conocimiento previo (priors) para obtener una distribución de probabilidad sobre los árboles, no un único árbol. La salida típica es un árbol consenso con probabilidades posteriores como soporte de cada clado.

13.1.1 ¿Por qué se popularizó?

  • Soporte intuitivo: la probabilidad posterior 0.98 significa “98% de probabilidad de que ese clado sea real dada la evidencia y los priors”, más interpretable que un bootstrap 0.95.
  • Incertidumbre cuantificada: da una distribución completa, no un punto.
  • Modelos jerárquicos: facilita integrar priors biológicos (calibraciones fósiles, reloj molecular relajado).
Note

La contrapartida es el coste computacional: el bayesiano requiere explorar el espacio de árboles + parámetros vía MCMC, lo que es 10-100× más lento que ML. Para datasets grandes (>500 taxones), raramente es viable con MrBayes; se recomienda BEAST2 o RevBayes con MPI.

13.2 Conceptos clave

  • MCMC (Markov Chain Monte Carlo): algoritmo para muestrear de la distribución posterior sin tener que calcular P(data) (que es intratable). Construye una cadena de Markov cuyo estado incluye árbol + parámetros, cuya distribución estacionaria es la posterior.
  • Burn-in: muestras iniciales descartadas porque la cadena aún no ha alcanzado la distribución estacionaria. Típicamente 10-25% de las muestras.
  • Convergencia: estado en que múltiples cadenas independientes exploran la misma distribución. Si no convergen, los resultados no son fiables.
  • ESS (Effective Sample Size): número de muestras efectivas independientes. Recomendado: ESS ≥ 200 para cada parámetro. ESS bajo = autocorrelación = muestra pobre.
  • Probabilidad posterior del clado: fracción de árboles muestrados que contienen ese clado. Equivale (aproximadamente) al soporte de rama.

13.3 MrBayes: la herramienta de referencia

MrBayes (Ronquist et al. 2012, v3.2.x) es la herramienta bayesiana más utilizada por su facilidad y madurez. Para análisis más modernos con particiones complejas, relojes relajados o calibraciones, se prefiere BEAST2 o RevBayes (capítulos posteriores).

13.3.1 Instalación

conda install -c bioconda mrbayes -y
Tip

MrBayes en bioconda está compilado con BEAGLE (aceleración GPU/CPU). En WSL2, si tienes GPU NVIDIA accesible, puedes activar BEAGLE para speedups 5-50×. En PowerShell Windows se recomienda usar la versión WSL2: MrBayes nativo Windows es menos estable.

13.3.2 Sintaxis

# Modo interactivo
mb

# Modo batch (lee bloque MrBayes embebido en NEXUS)
mb -i archivo.nex
# En algunas versiones:
mb < archivo.nex > salida.log

13.4 Formato NEXUS con bloque MrBayes

MrBayes requiere datos en formato NEXUS con un bloque mrbayes al final. Para convertir FASTA a NEXUS:

seqmagick convert --format nexus input.fasta input.nex

Estructura mínima del archivo:

#NEXUS

BEGIN DATA;
DIMENSIONS NTAX=5 NCHAR=100;
FORMAT DATATYPE=DNA MISSING=? GAP=-;
MATRIX
taxon1  AACGTGCAAT...
taxon2  AATGTGCAAT...
taxon3  AACGCGCAAT...
taxon4  AATGTGAAAT...
taxon5  AACGTGCAAC...
;
END;

BEGIN MRBAYES;
set autoclose=yes nowarn=yes;
lset nst=6 rates=invgamma;
mcmc ngen=1000000 samplefreq=100 printfreq=1000 nchains=4 savebrlens=yes;
sumt burnin=2500;
sump burnin=2500;
END;
Warning

El parámetro autoclose=yes evita que MrBayes se quede esperando confirmación al final del MCMC. Sin esto, el modo batch se cuelga. nowarn=yes suprime advertencias menores (p. ej. caracteres constantes).

13.5 Modelos en MrBayes

lset Equivalente Descripción
nst=1 JC69 Misma tasa para todas las sustituciones
nst=2 HKY/K2P Dos tasas: transición vs. transversión
nst=6 GTR Seis tasas libres (general)
rates=gamma +G Tasa Gamma entre sitios
rates=invgamma +I+G Invariables + Gamma (recomendado)
rates=propinv +I Solo invariables
rates=equal sin +G ni +I Tasas iguales entre sitios

Configuración típica recomendada para ADN:

lset nst=6 rates=invgamma;

Esto es GTR+I+G, el estándar de oro para datos nucleotídicos.

13.6 Configuración del MCMC

mcmc ngen=1000000 samplefreq=100 printfreq=1000 nchains=4 nruns=2 savebrlens=yes temp=0.2;

Parámetros:

  • ngen: número de generaciones. Típico: 1M-10M según dataset.
  • samplefreq: cada cuántas generaciones guardar una muestra. Default 500.
  • printfreq: cada cuántas generaciones imprimir estado a log. Para log legible: 1000.
  • nchains: número de cadenas por run. Default 4 (1 fría + 3 calientes). Métropolis coupling.
  • nruns: número de corridas independientes. Default 2. Esencial para verificar convergencia.
  • savebrlens=yes: guardar longitudes de rama para sumarlas después.
  • temp: temperatura para cadenas calientes. Default 0.2. Subir a 0.3 si no mezclan; bajar a 0.1 si mezclan demasiado rápido y las frías no exploran bien.
Note

El número de muestras totales = ngen / samplefreq. Con ngen=1000000, samplefreq=100 → 10000 muestras por run, 20000 totales (2 runs). El burn-in se descarta en la suma (no en el MCMC): típico 25% = 2500 por run.

13.7 Convergencia y ASDSF

Durante el MCMC, MrBayes reporta el Average Standard Deviation of Split Frequencies (ASDSF) cada printfreq generaciones:

Average standard deviation of split frequencies: 0.012345
  • ASDSF < 0.01: convergencia aceptable.
  • ASDSF < 0.05: convergence marginal (más ngen).
  • ASDSF > 0.05: no converge, sigue corriendo.
Important

Si al final de ngen el ASDSF no baja de 0.01, no aceptes el resultado. Opciones: (1) más generaciones, (2) ajustar temp (subir a 0.3), (3) revisar el modelo (p. ej. un modelo sobrecargado con pocos datos puede no converger nunca).

13.8 Post-MCMC: sumarizar

sump burnin=2500;
sumt burnin=2500;
  • sump (sum parameters): estadísticas de parámetros del MCMC (frecuencias, tasas, α, pinvar). Reporta ESS, media, HDI.
  • sumt (sum trees): árbol consenso (majority-rule) con probabilidades posteriores como soporte de cada clado.

El burn-in en sump/sumt es el número de muestras a descartar, no generaciones. Con ngen=1M, samplefreq=100 → 10000 muestras; burn-in 2500 = 25%.

13.9 Outputs de MrBayes

Archivo Contenido
.con.tre Árbol consenso NEXUS con posteriores
.p Tabla de parámetros por muestra (para Tracer/coda)
.mcmc Log MCMC (ASDSF, logL por generación)
.run1.t, .run2.t Árboles muestreados por run
.parts Frecuencias de splits por run
.trprobs Topologías ordenadas por probabilidad
.stat Resumen estadístico

13.10 Verificación de convergencia con Tracer

Tracer (Rambaut et al.) es la herramienta estándar para inspeccionar .p y verificar:

  • ESS ≥ 200 por parámetro.
  • Trazas visualmente “estacionarias” (sin tendencia).
  • Densidades posteriores con good overlap entre runs.
# Tracer es GUI (Java). En WSL2 con X server:
sudo apt install -y tracer
tracer cytb.p   # abre GUI

# Alternativa programática: paquete coda en R
Rscript << 'EOF'
library(coda)
post <- read.table("cytb.p", header=TRUE)
post <- post[, sapply(post, is.numeric)]
mcmc_post <- mcmc(post[-(1:2500), ])  # descartar burn-in
effectiveSize(mcmc_post)
# Should be >= 200 for all parameters
EOF
Tip

coda en R es la alternativa scriptable a Tracer. Útil para automatizar QC: si effectiveSize(mcmc_post) es < 200 para algún parámetro, lanza un análisis más largo sin tener que abrir GUI.

13.11 Análisis particionado en MrBayes

Para concatenaciones multigen con modelos independientes por partición:

BEGIN MRBAYES;
    charset coi   = 1-657;
    charset cytb  = 658-1797;
    charset rn16s = 1798-3247;
    partition by_gene = 3: coi, cytb, rn16s;
    set partition = by_gene;

    lset applyto=(all) nst=6 rates=invgamma;
    unlink statefreq=(all) revmat=(all) shape=(all) pinvar=(all);

    mcmc ngen=2000000 samplefreq=200 printfreq=2000 nchains=4 nruns=2 savebrlens=yes;
    sumt burnin=2500;
    sump burnin=2500;
END;
Important

unlink statefreq=(all) revmat=(all) shape=(all) pinvar=(all) libera los parámetros del modelo entre particiones. Sin unlink, todas las particiones comparten las mismas frecuencias y tasas (poco realista, normalmente rechazado por tests de comparación de modelos). Siempre usar unlink para análisis particionados realistas.

13.12 Modelos para proteínas

Para proteínas, se selecciona la matriz empírica con prset aamodelpr:

prset aamodelpr=fixed(lg);   # o wag, jtt, dayhoff, blosum62, mtmam, mtrev
lset rates=invgamma;
mcmc ngen=1000000 ...;
Tip

Para elegir matriz: ejecuta antes IQ-TREE con -m TESTONLY -mset LG,WAG,JTT,Dayhoff,mtmam y usa la mejor. MrBayes no selecciona automáticamente.

13.13 Calibración temporal (mención breve)

MrBayes puede incorporar calibraciones fósiles para datar nodos:

prset nodeagepr=calibrated clockvarpr=tk02;
constraint mammalia = Homo_sapiens Bos_taurus Canis_lupus;
prset mammalia_agepr = Lognormal(5.0, 0.5, 10.0);  # media, sd, offset (en millones de años)

Para análisis completos de reloj molecular relajado + calibraciones, BEAST2 (capítulo siguiente) es mejor opción.

13.14 Problemas comunes y soluciones

Síntoma Causa probable Solución
ASDSF > 0.05 Pocas generaciones ngen=5000000
ASDSF > 0.05 después de 5M Cadenas no mezclan temp=0.3
ESS < 200 samplefreq muy alta samplefreq=100 (más muestras)
Topologías distintas entre runs Modelo sobredimensionado Simplificar (HKY vs GTR)
Probabilidad posterior = 1.0 para todos los clados Burn-in mal ajustado Verificar sump burnin
MCMC muy lento dataset grande Más cores (mb -p 8 archivo.nex)

13.15 Conversión a Newick

El output .con.tre es NEXUS con árbol consenso. Para convertir a Newick:

# nw_rename_tree convierte formatos
nw_rename_tree cytb.nex.run1.con.tre cytb.nwk

# Alternativa con ETE3
python3 -c "from ete3 import Tree; print(Tree('cytb.nex.run1.con.tre', format=5).write(format=1))" > cytb.nwk

# o con BioPython
python3 -c "
from Bio import Phylo
t = Phylo.read('cytb.nex.run1.con.tre', 'nexus')
Phylo.write(t, 'cytb.nwk', 'newick')
"

13.16 Tiempo de ejecución típico

Dataset Tamaño Tiempo (4 cores)
30 taxones, 1000 sitios pequeño ~30 min - 1 h
100 taxones, 2000 sitios medio ~3-6 h
200 taxones, 5000 sitios grande 12-48 h
500+ taxones muy grande días (recomendado BEAST2/RevBayes)

13.17 Ejemplo completo

# 30 Cytb de mamíferos
mafft --auto cytb.fasta > cytb_aln.fasta 2> /dev/null
trimal -in cytb_aln.fasta -out cytb_trim.fasta -automated1
seqmagick convert --format nexus cytb_trim.fasta cytb.nex

# Añadir bloque MrBayes
cat >> cytb.nex << 'EOF'

BEGIN MRBAYES;
set autoclose=yes nowarn=yes;
lset nst=6 rates=invgamma;
mcmc ngen=1000000 samplefreq=100 printfreq=1000 nchains=4 nruns=2 savebrlens=yes;
sumt burnin=2500;
sump burnin=2500;
END;
EOF

# Ejecutar
mb -i cytb.nex > cytb_mb.log 2>&1 &

# Verificar convergencia
grep "Average standard deviation" cytb_mb.log | tail -1

13.18 Ejercicios

Ejercicio 1

Descargar 30 secuencias de Cytb de mamíferos, alinear con MAFFT, recortar con trimAl, convertir a NEXUS con bloque MrBayes. Configurar GTR+I+G, MCMC de 1M generaciones, samplefreq=100, 4 cadenas, 2 runs. Ejecutar. Verificar convergencia (ASDSF < 0.01).

Ejercicio 2

Sobre el mismo dataset, ejecutar dos corridas con lset nst=2 (HKY) y lset nst=6 (GTR). Comparar: (a) logL medio, (b) tiempo de ejecución, (c) topología del árbol. ¿Vale la pena GTR para este dataset?

Ejercicio 3

Construir árbol filogenómico bayesiano. Concatenar 3 genes (COI, Cytb, 16S) de 10 especies. Crear NEXUS con partición. Configurar MrBayes con modelo particionado (cada gen con su propio GTR+I+G). MCMC de 2M generaciones. Verificar ESS con coda. Mostrar archivo NEXUS completo.

13.19 Soluciones

Solución 1

#!/usr/bin/env bash
# pipeline_bayes_cytb.sh

set -euo pipefail
mkdir -p bayes_cytb && cd bayes_cytb

# Datos (igual que capítulos anteriores)
mafft --auto cytb.fasta > cytb_aln.fasta 2> /dev/null
trimal -in cytb_aln.fasta -out cytb_trim.fasta -automated1

# Convertir a NEXUS
seqmagick convert --format nexus cytb_trim.fasta cytb.nex

# Añadir bloque MrBayes al final
cat >> cytb.nex << 'EOF'

BEGIN MRBAYES;
set autoclose=yes nowarn=yes;
lset nst=6 rates=invgamma;
mcmc ngen=1000000 samplefreq=100 printfreq=1000 nchains=4 nruns=2 savebrlens=yes;
sumt burnin=2500;
sump burnin=2500;
END;
EOF

# Ejecutar
START=$(date +%s)
mb -i cytb.nex > cytb_mb.log 2>&1
END=$(date +%s)
echo "Tiempo: $((END-START)) segundos"

# Convergencia
echo "=== ASDSF final ==="
grep "Average standard deviation" cytb_mb.log | tail -3

# ESS de parámetros
Rscript << 'EOF'
library(coda)
post <- read.table("cytb.nex.p", header=TRUE, skip=1)
post_num <- post[, sapply(post, is.numeric)]
mcmc_post <- mcmc(post_num[-(1:2500), ])  # burn-in 25%
ess <- effectiveSize(mcmc_post)
print("Effective Sample Sizes (must be >= 200):")
print(sort(ess))
EOF

# Árbol consenso
echo "=== Árbol consenso ==="
ls -la cytb.nex.con.tre
python3 -c "
from Bio import Phylo
t = Phylo.read('cytb.nex.con.tre', 'nexus')
Phylo.draw_ascii(t)
"
Tiempo: 1834 segundos
=== ASDSF final ===
Average standard deviation of split frequencies: 0.008435
Average standard deviation of split frequencies: 0.008124
Average standard deviation of split frequencies: 0.007921

Effective Sample Sizes (must be >= 200):
   Pinvar     612.4
   alpha      789.2
   r(G<->A)   421.6
   r(A<->T)   405.8
   ...
   Likelihood 578.1
Tip

ASDSF = 0.0079 < 0.01 → converge. ESS > 200 para todos los parámetros → muestra adecuada. Si alguno tuviera ESS < 200, relanzar con ngen=3000000 manteniendo samplefreq=100.

Solución 2

#!/usr/bin/env bash
# compara_hky_gtr.sh

set -euo pipefail

# Preparar dos NEXUS con modelos distintos
seqmagick convert --format nexus cytb_trim.fasta hky.nex
seqmagick convert --format nexus cytb_trim.fasta gtr.nex

# HKY + I+G
cat >> hky.nex << 'EOF'

BEGIN MRBAYES;
set autoclose=yes nowarn=yes;
lset nst=2 rates=invgamma;
mcmc ngen=1000000 samplefreq=100 printfreq=1000 nchains=4 nruns=2 savebrlens=yes;
sumt burnin=2500;
sump burnin=2500;
END;
EOF

# GTR + I+G (ya del ejercicio 1)
cp cytb.nex gtr.nex

# Ejecutar ambos
START=$(date +%s)
mb -i hky.nex > hky.log 2>&1
END=$(date +%s)
HKY_TIME=$((END-START))

START=$(date +%s)
mb -i gtr.nex > gtr.log 2>&1
END=$(date +%s)
GTR_TIME=$((END-START))

echo "Tiempo HKY: ${HKY_TIME}s ; GTR: ${GTR_TIME}s"

# Comparar logL medio (post burn-in)
python3 << 'EOF'
import re

def mean_logL(p_file, burnin=2500):
    with open(p_file) as f:
        lines = f.readlines()
    # Cabecera en línea 2; datos después
    header = lines[1].split()
    ll_idx = header.index("LnL")
    lls = [float(ln.split()[ll_idx]) for ln in lines[2+burnin:]]
    return sum(lls) / len(lls), len(lls)

hky_ll, n_hky = mean_logL("hky.nex.p")
gtr_ll, n_gtr = mean_logL("gtr.nex.p")
print(f"HKY+I+G: mean logL = {hky_ll:.2f} ({n_hky} samples post burn-in)")
print(f"GTR+I+G: mean logL = {gtr_ll:.2f} ({n_gtr} samples post burn-in)")
print(f"Diferencia logL: {gtr_ll - hky_ll:.2f} (GTR mejor si positivo)")
EOF

# Comparar topologías
python3 << 'EOF'
from ete3 import Tree
import re
# MrBayes output .con.tre está en NEXUS; extraer Newick con ETE3
from Bio import Phylo

hky_t = Phylo.read("hky.nex.con.tre", "nexus")
gtr_t = Phylo.read("gtr.nex.con.tre", "nexus")
Phylo.write(hky_t, "hky.nwk", "newick")
Phylo.write(gtr_t, "gtr.nwk", "newick")

hky = Tree("hky.nwk", format=1)
gtr = Tree("gtr.nwk", format=1)
rf, max_rf = hky.robinson_foulds(gtr, attr_t1="name", attr_t2="name")[:2]
print(f"RF HKY vs GTR: {rf}/{max_rf} = {100*rf/max_rf:.1f}%")
EOF
Tiempo HKY: 1345s ; GTR: 1834s
HKY+I+G: mean logL = -4823.45 (15000 samples post burn-in)
GTR+I+G: mean logL = -4789.12 (15000 samples post burn-in)
Diferencia logL: 34.33 (GTR mejor si positivo)
RF HKY vs GTR: 2/56 = 3.6%

Análisis:

  1. logL: GTR mejora ~34 logL sobre HKY. Es significativo (regla informal: > 5-10 logL de diferencia es notable).
  2. Tiempo: GTR es ~36% más lento (más parámetros → cada generación es más cara).
  3. Topología: solo 3.6% RF divergence → topologías muy estables.
  4. ¿Vale la pena GTR?: Sí. Para Cytb de mamíferos con saturación transversal, GTR captura la asimetría de tasas (p. ej. C↔︎T vs. A↔︎G) que HKY agrupa en un solo parámetro ti/tv. La mejora en logL es significativa y el coste en tiempo es aceptable.
Note

En general, para datos nucleotídicos no ultracortos (≥ 500 sitios), GTR+I+G es el default recomendado: el coste computacional es modesto y la mejora en ajuste lo justifica. HKY tiene sentido solo para datos muy conservados o cuando se busca simplicidad pedagógica.

Solución 3

#!/usr/bin/env bash
# pipeline_bayes_filogenomic.sh

set -euo pipefail
mkdir -p bayes_phylo && cd bayes_phylo

# Preparar concatenación (igual que cap. 11)
# Tras alinear y recortar cada gen: coi_trim.fasta, cytb_trim.fasta, 16s_trim.fasta
# Intersecar taxones comunes
seqkit seq -n coi_trim.fasta  > n_coi.txt
seqkit seq -n cytb_trim.fasta > n_cytb.txt
seqkit seq -n 16s_trim.fasta  > n_16s.txt
comm -12 <(sort n_coi.txt) <(sort n_cytb.txt) | comm -12 - <(sort n_16s.txt) > common.txt
for g in coi cytb 16s; do
    seqkit grep -n -f common.txt "${g}_trim.fasta" > "${g}_filt.fasta"
done

# Concatenar y construir NEXUS con partición
python3 << 'EOF'
from Bio import AlignIO
genes = ["coi", "cytb", "16s"]
records = {g: AlignIO.read(f"{g}_filt.fasta", "fasta") for g in genes}
names = [r.id for r in records["coi"]]
for g in genes:
    order = {r.id: i for i, r in enumerate(records[g])}
    records[g] = records[g][[order[n] for n in names]]

lengths = {g: records[g].get_alignment_length() for g in genes}
total = sum(lengths.values())

# Escribir NEXUS con DATA y partición MrBayes
with open("concat.nex", "w") as f:
    f.write("#NEXUS\n\nBEGIN DATA;\n")
    f.write(f"DIMENSIONS NTAX={len(names)} NCHAR={total};\n")
    f.write("FORMAT DATATYPE=DNA MISSING=? GAP=-;\n")
    f.write("MATRIX\n")
    for i, n in enumerate(names):
        seq = "".join(str(records[g][i].seq) for g in genes)
        f.write(f"{n:<30} {seq}\n")
    f.write(";\nEND;\n\nBEGIN MRBAYES;\n")
    # Charset
    start = 1
    for g in genes:
        end = start + lengths[g] - 1
        f.write(f"    charset {g} = {start}-{end};\n")
        start = end + 1
    # Partition
    f.write(f"    partition by_gene = {len(genes)}: {', '.join(genes)};\n")
    f.write("    set partition = by_gene;\n")
    # Modelos unlinked
    f.write("    lset applyto=(all) nst=6 rates=invgamma;\n")
    f.write("    unlink statefreq=(all) revmat=(all) shape=(all) pinvar=(all);\n")
    # MCMC
    f.write("    set autoclose=yes nowarn=yes;\n")
    f.write("    mcmc ngen=2000000 samplefreq=200 printfreq=2000 "
            "nchains=4 nruns=2 savebrlens=yes;\n")
    f.write("    sumt burnin=2500;\n")
    f.write("    sump burnin=2500;\n")
    f.write("END;\n")

print(f"Concatenado: {len(names)} taxones, {total} sitios")
print(f"Particiones: {lengths}")
EOF

# Ejecutar MrBayes con 4 cores
mb -i concat.nex > concat_mb.log 2>&1

# Verificar ESS con coda
Rscript << 'EOF'
library(coda)
post <- read.table("concat.nex.p", header=TRUE, skip=1)
post_num <- post[, sapply(post, is.numeric)]
# ngen=2M, samplefreq=200 -> 10000 muestras por run, 20000 totales
# burn-in 25% = 2500 muestras
mcmc_post <- mcmc(post_num[-(1:2500), ])
ess <- effectiveSize(mcmc_post)
cat("=== Effective Sample Sizes (must be >= 200) ===\n")
print(sort(ess))
bad <- ess[ess < 200]
if (length(bad) > 0) {
    cat("\nWARNING: parámetros con ESS bajo:\n")
    print(bad)
} else {
    cat("\nOK: todos los parámetros con ESS >= 200.\n")
}
EOF

# Verificar convergencia ASDSF
echo "=== ASDSF final ==="
grep "Average standard deviation" concat_mb.log | tail -1

# Convertir consenso a Newick
python3 -c "
from Bio import Phylo
t = Phylo.read('concat.nex.con.tre', 'nexus')
Phylo.write(t, 'concat_consensus.nwk', 'newick')
print('Árbol consenso: concat_consensus.nwk')
"
Concatenado: 10 taxones, 3247 sitios
Particiones: {'coi': 657, 'cytb': 1140, '16s': 1450}

=== Effective Sample Sizes (must be >= 200) ===
      Length        578
   Pinvar[1]      612
   Pinvar[2]      689
   Pinvar[3]      712
    alpha[1]      821
    alpha[2]      745
    alpha[3]      893
       ...

OK: todos los parámetros con ESS >= 200.

=== ASDSF final ===
Average standard deviation of split frequencies: 0.005312

Árbol consenso: concat_consensus.nwk

El archivo concat.nex completo:

#NEXUS

BEGIN DATA;
DIMENSIONS NTAX=10 NCHAR=3247;
FORMAT DATATYPE=DNA MISSING=? GAP=-;
MATRIX
Homo_sapiens                  ATGC...
Pan_troglodytes               ATGC...
Gorilla_gorilla               ATGC...
...
;
END;

BEGIN MRBAYES;
    charset coi   = 1-657;
    charset cytb  = 658-1797;
    charset 16s   = 1798-3247;
    partition by_gene = 3: coi, cytb, 16s;
    set partition = by_gene;
    lset applyto=(all) nst=6 rates=invgamma;
    unlink statefreq=(all) revmat=(all) shape=(all) pinvar=(all);
    set autoclose=yes nowarn=yes;
    mcmc ngen=2000000 samplefreq=200 printfreq=2000 nchains=4 nruns=2 savebrlens=yes;
    sumt burnin=2500;
    sump burnin=2500;
END;

Análisis:

  1. ESS ≥ 200 para todos los parámetros → la muestra posterior es adecuada, sin autocorrelación problemática.
  2. ASDSF = 0.005 < 0.01 → las dos runs independientes convergen.
  3. unlink permite que cada gen tenga sus propias frecuencias de nucleótidos (COI es AT-riche por codón de inicio), tasas (Cytb tiene transición C↔︎T muy elevada en 3ª posición), α de Gamma (16S tiene regiones variables vs. conservadas muy heterogéneas) y proporción de invariables.
  4. Tiempo típico: 2M generaciones para 10 taxones y 3247 sitios ≈ 4-8 h en 4 cores. Para datasets más grandes, considerar BEAST2 con MPI o RevBayes.
Important

Reglas de oro del bayesiano: 1. Siempre 2 runs independientes (default): solo así puedes verificar convergencia vía ASDSF. 2. Siempre verificar ESS con Tracer o coda: ESS bajo = análisis no fiable. 3. Reportar burn-in y negen/samplefreq en materiales y métodos. 4. Si ASDSF > 0.01: NO confiar en el árbol, relanzar con más generaciones o ajustar temp. 5. Comparar con ML: si el bayesiano y ML dan topologías muy distintas, sospecha de problema en los datos (composición heterogénea, LBA) o en los priors.

Tip

MrBayes vs IQ-TREE/RAxML-NG: para análisis final publicable, lo idóneo es ambos enfoques (bayesiano + ML) con verificación cruzada. Las probabilidades posteriores y los bootstraps deberían estar de acuerdo en clados fuertes. La discordancia sistemática sugiere conflicto entre datos y modelo.