Computational evolutionary biology, statistical phylogenetics and coalescent-based population genetics are becoming increasingly central to the analysis and understanding of molecular sequence data. We present the Bayesian Evolutionary Analysis by Sampling Trees (BEAST) software package version 1.7, which implements a family of Markov chain Monte Carlo (MCMC) algorithms for Bayesian phylogenetic inference, divergence time dating, coalescent analysis, phylogeography and related molecular evolutionary analyses. This package includes an enhanced graphical user interface program called Bayesian Evolutionary Analysis Utility (BEAUti) that enables access to advanced models for molecular sequence and phenotypic trait evolution that were previously available to developers only. The package also provides new tools for visualizing and summarizing multispecies coalescent and phylogeographic analyses. BEAUti and BEAST 1.7 are open source under the GNU lesser general public license and available at http://beast-mcmc.googlecode.com and http://beast.bio.ed.ac.uk

Bayesian inference of phylogeny using Markov chain Monte Carlo (MCMC) plays a central role in understanding evolutionary history from molecular sequence data. Visualizing and analyzing the MCMC-generated samples from the posterior distribution is a key step in any non-trivial Bayesian inference. We present the software package Tracer (version 1.7) for visualizing and analyzing the MCMC trace files generated through Bayesian phylogenetic inference. Tracer provides kernel density estimation, multivariate visualization, demographic trajectory reconstruction, conditional posterior distribution summary, and more. Tracer is open-source and available at http://beast.community/tracer.

We present a new open source, extensible and flexible software platform for Bayesian evolutionary analysis called BEAST 2. This software platform is a re-design of the popular BEAST 1 platform to correct structural deficiencies that became evident as the BEAST 1 software evolved. Key among those deficiencies was the lack of post-deployment extensibility. BEAST 2 now has a fully developed package management system that allows third party developers to write additional functionality that can be directly installed to the BEAST 2 analysis platform via a package manager without requiring a new software release of the platform. This package architecture is showcased with a number of recently published new models encompassing birth-death-sampling tree priors, phylodynamics and model averaging for substitution models and site partitioning. A second major improvement is the ability to read/write the entire state of the MCMC chain to/from disk allowing it to be easily shared between multiple instances of the BEAST software. This facilitates checkpointing and better support for multi-processor and high-end computing extensions. Finally, the functionality in new packages can be easily added to the user interface (BEAUti 2) by a simple XML template-based mechanism because BEAST 2 has been re-designed to provide greater integration between the analysis engine and the user interface so that, for example BEAST and BEAUti use exactly the same XML file format.

Elaboration of Bayesian phylogenetic inference methods has continued at pace in recent years with major new advances in nearly all aspects of the joint modelling of evolutionary data. It is increasingly appreciated that some evolutionary questions can only be adequately answered by combining evidence from multiple independent sources of data, including genome sequences, sampling dates, phenotypic data, radiocarbon dates, fossil occurrences, and biogeographic range information among others. Including all relevant data into a single joint model is very challenging both conceptually and computationally. Advanced computational software packages that allow robust development of compatible (sub-)models which can be composed into a full model hierarchy have played a key role in these developments. Developing such software frameworks is increasingly a major scientific activity in its own right, and comes with specific challenges, from practical software design, development and engineering challenges to statistical and conceptual modelling challenges. BEAST 2 is one such computational software platform, and was first announced over 4 years ago. Here we describe a series of major new developments in the BEAST 2 core platform and model hierarchy that have occurred since the first release of the software, culminating in the recent 2.5 release.

Abstract The heat capacity plays a major role in the determination of the energetics of protein folding and molecular recognition. As such, a better understanding of this thermodynamic parameter and its structural origin will provide new insights for the development of better molecular design strategies. In this paper we have analyzed the absolute heat capacity of proteins in different conformations. The results of these studies indicate that three major terms account for the absolute heat capacity of a protein: (1) one term that depends only on the primary or covalent structure of a protein and contains contributions from vibrational frequencies arising from the stretching and bending modes of each valence bond and internal rotations; (2) a term that contains the contributions of noncovalent interactions arising from secondary and tertiary structure; and (3) a term that contains the contributions of hydration. For a typical globular protein in solution the bulk of the heat capacity at 25°C is given by the covalent structure term (close to 85% of the total). The hydration term contributes about 15 and 40% to the total heat capacity of the native and unfolded states, respectively. The contribution of non‐covalent structure to the total heat capacity of the native state is positive but very small and does not amount to more than 3% at 25°C. The change in heat capacity upon unfolding is primarily given by the increase in the hydration term (about 95%) and to a much lesser extent by the loss of noncovalent interactions (up to ∼5%). It is demonstrated that a single universal mathematical function can be used to represent the partial molar heat capacity of the native and unfolded states of proteins in solution. This function can be experimentally written in terms of the molecular weight, the polar and apolar solvent accessible surface areas, and the total area buried from the solvent. This unique function accurately predicts the different magnitude and temperature dependences of the heat capacity of both the native and unfolded states, and therefore of the heat capacity changes associated with folding/unfolding transitions. © 1995 Wiley‐Liss, Inc.

Epidemiological processes leave a fingerprint in the pattern of genetic structure of virus populations. Here, we provide a new method to infer epidemiological parameters directly from viral sequence data. The method is based on phylogenetic analysis using a birth-death model (BDM) rather than the commonly used coalescent as the model for the epidemiological transmission of the pathogen. Using the BDM has the advantage that transmission and death rates are estimated independently and therefore enables for the first time the estimation of the basic reproductive number of the pathogen using only sequence data, without further assumptions like the average duration of infection. We apply the method to genetic data of the HIV-1 epidemic in Switzerland.

Abstract Bayesian phylogenetic analysis with MCMC algorithms generates an estimate of the posterior distribution of phylogenetic trees in the form of a sample of phylogenetic trees and related parameters. The high dimensionality and non-Euclidean nature of tree space complicates summarizing the central tendency and variance of the posterior distribution in tree space. Here we introduce a new tractable tree distribution and associated point estimator that can be constructed from a posterior sample of trees. Through simulation studies we show that this point estimator performs at least as well and often better than standard methods of producing Bayesian posterior summary trees. We also show that the method of summary that performs best depends on the sample size and dimensionality of the problem in non-trivial ways.

Background: Sleeve lobectomy is a challenging procedure with a high risk of postoperative complications. To facilitate surgical decision-making and optimize perioperative treatment, we developed risk stratification models to quantify the probability of postoperative complications after sleeve lobectomy. Methods: We retrospectively analyzed the clinical features of 691 non-small cell lung cancer (NSCLC) patients who underwent sleeve lobectomy between July 2016 and December 2019. Logistic regression models were trained and validated in the cohort to predict overall complications, major complications, and specific minor complications. The impact of specific complications in prognostic stratification was explored via the Kaplan-Meier method. Results: Of 691 included patients, 232 (33.5%) developed complications, including 35 (5.1%) and 197 (28.5%) patients with major and minor complications, respectively. The models showed robust discrimination, yielding an area under the receiver operating characteristic (ROC) curve (AUC) of 0.853 [95% confidence interval (CI): 0.705–0.885] for predicting overall postoperative complication risk and 0.751 (95% CI: 0.727–0.762) specifically for major complication risks. Models predicting minor complications also achieved good performance, with AUCs ranging from 0.78 to 0.89. Survival analyses revealed a significant association between postoperative complications and poor prognosis. Conclusions: Risk stratification models could accurately predict the probability and severity of complications in NSCLC patients following sleeve lobectomy, which may inform clinical decision-making for future patients.

Abstract Phylogenetic models have become increasingly complex, and phylogenetic data sets have expanded in both size and richness. However, current inference tools lack a model specification language that can concisely describe a complete phylogenetic analysis while remaining independent of implementation details. We introduce a new lightweight and concise model specification language, ‘LPhy’, which is designed to be both human and machine-readable. A graphical user interface accompanies ‘LPhy’, allowing users to build models, simulate data, and create natural language narratives describing the models. These narratives can serve as the foundation for manuscript method sections. Additionally, we present a command-line interface for converting LPhy-specified models into analysis specification files (in XML format) compatible with the BEAST2 software platform. Collectively, these tools aim to enhance the clarity of descriptions and reporting of probabilistic models in phylogenetic studies, ultimately promoting reproducibility of results.

Elaboration of Bayesian phylogenetic inference methods has continued at pace in recent years with major new advances in nearly all aspects of the joint modelling of evolutionary data. It is increasingly appreciated that some evolutionary questions can only be adequately answered by combining evidence from multiple independent sources of data, including genome sequences, sampling dates, phenotypic data, radiocarbon dates, fossil occurrences, and biogeographic range information among others. Including all relevant data into a single joint model is very challenging both conceptually and computationally. Advanced computational software packages that allow robust development of compatible (sub-)models which can be composed into a full model hierarchy have played a key role in these developments. Developing such software frameworks is increasingly a major scientific activity in its own right, and comes with specific challenges, from practical software design, development and engineering challenges to statistical and conceptual modelling challenges. BEAST 2 is one such computational software platform, and was first announced over 4 years ago. Here we describe a series of major new developments in the BEAST 2 core platform and model hierarchy that have occurred since the first release of the software, culminating in the recent 2.5 release.