改进的不加权算术平均组群方法：解决'tie trees'问题

本文主要探讨了不加权算术平均组对方法（Unweighted Pair Group Method with Arithmetic Mean, UPGMA）在系统发育分析中的局限性，即所谓的"tie trees"问题。"tie trees"现象出现在当距离矩阵中存在两个或多个物种间的相同距离值时，这可能导致UPGMA产生多个拓扑结构相似但非唯一的进化树。为解决这一问题，作者提出了不加权算术平均组群方法（Unweighted Multiple Group Method with Arithmetic Mean, UMGMA）。 在改进过程中，UMGMA的关键在于它不仅限于每次合并两个最接近的种群，而是反复利用极大紧邻子树上的顶点合并多个距离最近的种群，从而生成一棵具有独特拓扑结构的多叉树。这种方法确保了即使在UPGMA树不唯一的情况下，UMGMA仍然能够产生唯一的进化树。此外，通过调整容差参数，UMGMA能够在不同宏观层次上生成容差进化树，强调物种多样性较多时进化树的整体趋势。 相比于UPGMA，UMGMA在处理复杂度较高的数据集时展现出优势，因为它能够更有效地处理潜在的并列关系和不确定性，提高了系统发育分析的精确性和可靠性。关键词包括数据处理、不加权算术平均组对方法、系统发育分析、二叉树和多叉树。该研究的工作范围被归类在计算机科学和技术领域，具体在数据处理和生物信息学中的系统发育建模。 这篇论文提供了对传统UPGMA方法的重要改进，为生物学家和遗传学家提供了一种更为稳健和精确的方法来构建物种进化树，特别是在处理含有相似距离值的数据时。通过引入UMGMA，作者解决了UPGMA的非唯一性问题，并展示了在实际应用中的可行性和有效性。