查看“TNT:S”的源代码

= save =

将树保存到文件中（之前使用<code>tsave</code>打开）

<code>N</code> 将树<code>N</code>保存下来

<code>/</code> 保存内存中的最后一个树

<code>*</code> 在括号符号表示中保存树标记（树文件必须是括号符号表示）

<code>-</code> 仅保存活跃分类单元编号的树（与<code>xread-</code>结合使用，可保存缩减过的树）。

= screen =

<code>NxL</code> 使用N行和L列的屏幕S

= scores =

<code>N</code> 计算树的分数（长度或拟合度），对树<code>N</code>

<code>!N</code> 进行相同操作，优化多度分支作为“软分岔”。

= sectsch =

从现有树开始进行部分搜索。选项包括：

确定部分选择的选择：

<code>rss</code> 进行随机部分选择

<code>css</code> 进行约束基础部分选择

<code>[no] xss N+R</code> 进行<code>N</code>个独占选择（即非重叠) 扇区选择，涵盖所有树，并分析每个; 重复过程<code>R</code>次或回合（在最后一个之后，进行全局TBR）。如果<code>R</code>后面跟着<code>-G</code>，则全局TBR将每<code>G</code>轮（以及最后一个之后）完成一次。使用<code>B-E</code>而不是<code>N</code>分区从<code>B</code>开始，以E结束（扇区根据<code>E&gt;B</code>或<code>B&gt;E</code>而增加或减少）

<code>dss N D</code> 选择围绕节点<code>N</code>、距离<code>N</code> <code>D</code>（=直径）个支离破碎的节点，并分析扇区。这需要具体指定一棵树; 它在最后不会交换（如果不全局）

<code>[no]xeven</code> 对于专有扇区，[不要]使用尽可能均匀大小的扇区（如果使用多轮，不均匀的扇区使得更有可能找到更好的树。

<code>minsize N</code> 随机选择的最小大小

<code>maxsize N</code> 随机选择的最大大小

<code>minfork N</code> 基于限制的选择的最小分支

<code>maxfork N</code> 基于限制的选择的最大分支

<code>increase N</code> 因子<code>N</code>，以增加当前大小的选择数达到要求。新尺寸为 <code>S = S + ((S * N) / 100)</code>，

<code>selfact N</code> 系数用于确定（在随机选择下）大小为<code>S</code>的最大选择数量，对于<code>T</code>（活跃）分类群。最大数量<code>M</code>确定为<code>M =（T * 100）/（N * S）</code>。或者，使用<code>Selfact = XYZ</code>使用<code>X</code>作为第一个选择，<code>Y</code>作为第二个选择，依此类推（最多可以定义30个值）。

<code>moveon N</code> 如果<code>N</code>个选择未能产生更好的得分，继续

<code>rounds N</code> 限制性选择，循环N次以覆盖群组

对于确定分析：

<code>global N</code> 每<code>N</code>个替换进行全局TBR

<code>noglobal</code> 从不全局 TBR

<code>[no]equals</code> 接受同样好的子树

<code>[no]fuse N</code> 在分析小领域（低于drift大小）时，请保留所有树木并合并（N轮）。注意：对于超过漂移大小的部门，漂移的自动融合选项适用。

<code>godrift N</code> 超出该大小的扇形使用树漂移（而不是RAS + TBR）

<code>drift N</code> 用于漂移的扇区，使用<code>N</code>个漂移周期

<code>gocomb N</code> 对于大小为<code>N</code>或更大的扇区，使用综合分析（RAS + drift + fuse）。如果<code>N</code>小于使用漂移的大小，则不进行漂移。对于每个起点的漂移周期数<code>C</code>由<code>drift C</code>确定，融合数量<code>F</code>由<code>fuse F</code>确定。

<code>starts N</code> 对于小于minsize的扇区，随机添加序列的数量加上TBR

<code>combstarts N</code> 对于大于大小的扇区的综合分析，使用N个起始值（如果前N个产生相同的得分，则停止，否则继续N个起始值）

<code>findscore N</code> 找到得分N时在树上停止漂移

<code>[no]keepall</code> 仅保留最优树

一般选项：

<code>[no]safesank</code> 对于Sankoff性状，使用严格检查（=默认值）来识别无信息的性状，以减少数据集的收缩（宽松的检查可能会产生小的速度提升，但可能会错过复杂转换成本更好的树）。

<code>slack N</code> N% 的额外内存用于搜索（防止运行时出现内存错误）

<code>[no]xbuf</code> 如果内存可用，使用独立矩阵缓冲区分析扇区（=更快的更新，在大数据集中可为小扇区节省大量时间）。

<code>recurse N</code> 允许扇区搜索递归到 N 级。

<code>tree N</code> 选择树 N 的扇区（而不是所有树）。

<code>track</code> 允许在大树和简化树之间跟踪节点（仅对用户指导的扇区搜索有效）。这与宏表达式<code>nodtosect</code>、<code>biginsect</code>结合使用。

<code>chkroot</code> 仅用于 XSS 搜索的 chkroot，请确保将树（通常可能未选定）基础也包含在内；这实际上可能比请求的选择多使用一个选择。

和 <code>bignotsect</code>。运行扇区的从机(=salve)（请参阅<code>ptnt</code>下）始终允许跟踪。

选项使用 <code>sectsch:options;</code> 或 <code>sectsch=options;</code>设置（只使用<code>:</code>更改设置；<code>=</code>也可以运行）。使用<code>sect:;</code>显示当前设置。

还可以确定如何针对每个生成的扇区进行搜索，包括在方括号内搜索的命令（包括 sectsch 本身，可能还带有用户说明）。在阅读数据集之前，必须确定递归的最大级别为<code>sectsch：recurse N;</code>。当为每个扇区使用用户指令时，在分析子问题时更改的任何设置都将在分析完该扇区后保持不变（<code>sectsch</code> 本身的设置是唯一的例外）。

= shortread =

<code>xxx</code> 从文件 xxx 读取 compact tree file 格式的树。

<code>=N</code> 与 xxx 相同，但将它们放在组 N 中

<code>&gt;N</code> 相同，但将它们添加到组 N 中

= shpcomp =

比较两个树之间的树形状。它重新标记了其中一个树的分类单元，以最大化树的相似度而不改变树形状。重新标记算法是一种启发式算法，因此用不同的随机种子重复这个过程可能会产生不同的结果。它适用于最多50-60个分类单元的树，对于更大的问题它开始失效（产生次优的重命名）。

请注意！此命令是实验性的且效率不高，它可能会被更好的算法取代。它只是作为概念验证的实现。

<code>X Y xJ K L</code> 重新标记树<code>X</code>和<code>Y</code>，从<code>J</code>个起始点开始，进行<code>K</code>次循环，每次循环做<code>L</code>轮。它试图优化将每棵树的MRP映射到另一棵树上的步骤总和。

<code>+X Y xJ K L</code> 与上面相同，但是尝试优化Robinson-Foulds距离。

<code>=</code> 保存优化MRP或RF的标签（即更改树）.

<code>X *N</code> 在树<code>X</code>中随机切换两个分类单元的标签，进行<code>N</code>次。

= silent =

控制输出为xxx：

<code>=xxx;</code> 无输出为xxx。

<code>-xxx;</code> 输出为xxx。

<code>xxx</code> 可以是 <code>all</code>，<code>file</code>，<code>console</code>或者<code>buffer</code>。

= slfwt =

自动加权优化设置参数（默认值在方括号中）：

<code>exops N</code> 适用于状态超过 N 的性状，预检转换并禁止线性优化下未发生的性状。[5]

<code>timeout N</code> 计算任何给定性状的优化不超过 N 秒。[3600]

<code>tolerance N</code> 接受与最优解相差 N 个得分单位的重构。[0.0000001]

<code>[no]polymorph</code> [不要]将多态分类单元视为缺少条目（=更快）。

<code>errmargin N</code> 在搜索过程中，重新检查得分高于最佳得分的 <code>N</code> 个单位的树。[0.5]

<code>[no]autotune N</code> 在搜索过程中，比较新树的预估得分与实际得分，更新误差边界，当 N = 1（=1 级）时，误差边界仅在给定交换周期内更改；当 N = 2 时，在交换后仍保留误差边界[级别 1]。

<code>maxtbr N</code> 在使用 TBR 进行搜索时，将裁剪的 clade 重新根据距离原始根节点不超过 N 个节点的距离（maxtbr 0 = SPR）。[5]

<code>setlim N</code> 限制具有N个或更多状态的性状在优化期间可能的状态集。[4]

<code>maxdist N M</code> 当限制可能的状态集时，使用节点向上N个节点所在分支的联合状态，以及节点向下M个节点所在的联合状态。

<code>[no]useminset</code> 当限制可能的状态集时，使用对先前成本进行优化的集合（非常快速，但很容易出现错误）。

<code>maxrepeat N</code> 当N个连续分支具有相同（唯一）状态时，将其视为固定状态。

<code>[no]quickrat</code> 在此标准下，产生非常少的最优树，缓冲和漂移趋向于多次找到并交换相同的树；使用此选项时，当缓冲/漂移的扰动阶段生成的树与迄今为止找到的最佳树的分数相同时，不会交换该树（仅在自动加权打开时应用）。[是]

<code>backbuf N</code> 在交换期间备份现有<code>N</code>个树； 如果重新发现一棵树，则会中断交换（防止由于得分计算错误而导致循环; 0表示不缓冲）。[0]

<code>[no]verbose</code> 优化性状时，报告进度。

= slaveproc =

在并行 TNT 保留给父进程使用

= smatrix =

<code>=N (name) [cost]</code> 定义了一个步骤矩阵。语法和<code>cost</code>一样，<code>N</code> 必须是 0-31 ， <code>name</code> 可选

<code>+name N</code> 将指定名称的步骤矩阵应用于性状 <code>N</code>

<code>;</code> 显示定义的步骤矩阵

<code>*</code> 保存它们（要阅读，必须设置<code>nstates / num;</code>）

<code>&amp;</code> 产生对不适用的 Sankoff 的近似。

<pre>        注意，现在已经推出了比`xlink`选项更灵活的`smatrix＆`选项。该选项保留了向后兼容性。如果在读取数据集之前启用`xlinks=2`（或更高版本）的链接，则`smatrix&amp;`将内部将subordination转换为`xlink`格式，这也可以保存以供后续使用（参见`help xlinks`）。

        使用`smatrix&amp;`选项（并且禁用`xlinks`），名为`sub_xxx`的性状被视为从属于名为`sup_xxx`的性状（从属性状的名称可以比`xxx`长，但必须以`xxx`开头 来建立身份）。 `sup_`性状中的矩阵条目（必须仅包含“存在”和“不存在”状态）已更改为现在具有质量组合； 转换成本发生了变化（因此，“当前”状态之间的变化成本与质量之间的差异一样多，考虑到成本（如果Sankoff）或可加性）。 `sup_`性状的状态名称以及转换成本也发生了变化。 可以生成的状态数量有限（最多为 32），并且上位性状和下位性状必须一致（例如，上位性状评分为“不存在”或“缺失”的分类单元不能与其他任何性状一起评分） 而不是下属的“失踪”）。 从属性状中的歧义得到了妥善处理。 有关处理未观察到的状态组合的选项，请参阅`usminmax`命令。 考虑角色权重； 如果上级/下级性状之间的权重比不准确，则可以通过适当的转换成本而不是权重来完成（请注意，这会影响隐含权重！）。 一个性状对于其他性状来说是`sub_`，反过来又可以是第三个性状的`_sup_`，从而创建多个级别的依赖关系，在重新编码时要考虑到这一点。</pre>
示例名称

<pre>
sup_post_legs absent present 

sub_post_legs armed unarmed  

sub_post_legs scaly hairy 

sub_post_legs_sup_apophysis absent present 

sub_apophysis spinose aspinose
</pre>
定义如下结构

<pre>
              post_legs                     absent  

                /     \                    /  

              absent   present -- apophysis  

                         /   \            \  

              scaly,hairy  armed,unarmed    present   

                                                \  

                                             spinose,aspinose
</pre>
这个等级制度已经被自动纳入了主要角色(<code>post_legs</code>)的成本中。

成本被设定为，对重新编码的“状态”进行独立转换所花费的代价，与不以同源性为解释的相似性的数量相同；这是使结果最接近“anagallis”的方法。在多个等级依赖的情况下，这意味着一些主要角色需付出的代价比其他角色更高，在上面的例子中，获得具有apophysis的<code>post_legs</code>将花费5步；而获得没有apophysis的<code>post_legs</code>只需花费4步（因为“apophysis”本身的特征不适用）。请注意，在Sankoff/加性依赖性特征的情况下，重新编码的结果将比最大同源性的结果（例如anagallis）更加偏离；生成的重新编码只是一个近似值。

当所有特征都是二元/非加性特征时，对应关系最为接近。

请记住，组合特征不能超过32个状态（超过32个状态会触发错误消息）。

在这种情况下，可以减少组合的特征，或尝试使用专门设计用于处理无法应用特征的算法的程序（例如De Laet的“anagallis”程序，或Brazeau的“Morphy”（在www.anagallis.be/anagallis、www.morphyproject.org中可找到）。

<code>&amp;+</code> 与前一个类似，但使用搜索计算可能的最小步数，而不是对依赖特征之间的冲突进行最小化求和（仅在依赖特征间不存在冲突时才可行！）

<code>&amp;&lt;</code> 与前一个类似，但如果存在依赖加性性状，则不要像anagallis（=默认）那样对待它们，而是将增益成本设置为保持三角形不等式的最小可能值

<code>|</code> 如果下级和上级性状已用<code>&amp;</code>修改，则将矩阵（和成本）设置回原始值。

<code>&lt;</code> 在祖先节点上禁止考虑不可观察的状态（通过将从它们到/从它们的转换成本设置为1000，即“不可能”）。

= sort =

在RAM中对树进行排序，从最好到最差。

<code>=nodes</code> 按节点数排序，而不是按得分排序

<code>=size</code> 按分类单元数排序

<code>=mono</code> 按违反约束的数量排序

= sprdiff =

<code>J K NxS</code> 估计将树<code>J</code>转换为树<code>K</code>所需的SPR交换数量。使用启发式方法，取决于随机种子进行<code>N</code>次重复，并报告最佳估计（如果未指定<code>N</code>，则N = 10）。每次复制使用最多<code>S</code>级的“分层”（默认值为S = 0）。根据树拓扑结构，分层程序（更耗时）产生更好的估计。使用<code>N+S</code>而非<code>NxS</code>，交替使用分层和常规程序（最终保留最佳整体值）。如果一个或两个树有多分枝，则通过在最接近的二分辨率之间计算距离（默认情况下，请参见下面内容）。“相似性”是移动次数除以物种数减3（即最大移动次数）。

<code>*J K NxS</code> S估计SPR - 展示树图上的移动

<code>[K</code> 将移动作为带权的计算，一个到离D节点距离的移动花费<code>D/（K+D）</code>。当<code>K</code>接近0时，所有移动的成本相同；当K变大时，较长的移动成本更高。对于报告的值，它们被重新调整，以便最远的可能移动<code>（nt-3）</code>具有成本为1。请注意，<code>[K;</code>只设置比较的值和类型，在对<code>sprdiff</code>进行后续调用（或对相关宏表达式进行调用）时进行，而不运行。相似性也是通过将分类单元数减3（即最远可能移动的最大数量，每个移动的成本为1）来获得的。移动的距离<code>D</code>等于共识移动前后树所创建的聚合度减去2。

<code>]</code> 在后续对<code>sprdiff</code>的调用中，计算原始移动。

还可以搜索SPR路径，使得没有一个移动具有连接到其祖先之一的节点（如果SPR路径被解释为指示水平基因转移，则这些移动构成了一个物理上的不可能）。为此，使用<code>:noviol;</code>作为参数（<code>viol</code>将允许这些移动）。

如果您希望计算必要的移动以解决/折叠树的聚合度（如果有），则使用<code>:poly;</code>（请记住，这个计数是近似的！）；默认为<code>:nopoly;</code>。

= subopt =

<code>NxR</code> 将亚优解设置为<code>N</code>，相对亚优解设置为<code>R</code>（注意，相对亚优解是针对交换的树而不是针对找到的最佳树而测量的）。用于后续搜索的次优值，或者在使用SPR或TBR折叠树时使用。

<code>:T/P</code> 和<code>bsupport</code>相同

= svtxt =

<code>J K</code> 将文本缓冲区行J到K保存到输出文件中（默认=全部）

= system =

<code>xxx&lt;enter&gt;</code> 在系统中运行<code>xxx</code>

[[分类:TNT]]