Ez a cikk azt állítja, hogy a FastTree majdnem ugyanolyan pontos, mint a RAxML, ugyanakkor sokkal gyorsabb is. Csak arra kell vigyáznia, hogy a FastTree által kimenő támogatási értékek nem bootstrap értékek, hanem a Shimodaira-Hasegawa teszt alapján. (Ezenkívül lásd ezt a megjegyzést arra az esetre, ha nagyon rövid az ága. [ frissítés: Azonban a legutóbbi, alább említett összehasonlító cikk szerint a FastTree elég gyengén teljesített a RAxML-hez vagy az IQ-fához képest.]
Megértettem, csak akkor használja az ExaML-t, ha az adatai túl nagyok ahhoz, hogy az RAxML egyetlen csomópontban kezelje őket. Az ExaML-nek ugyanúgy kell működnie, mint a RAxML-nek, de némi párhuzamosítási költséggel. Valamennyi hatás esetén ugyanazokkal kezelem őket. Nem ismerem a phyML releváns előnyeit a RAxML-mel szemben (számomra könnyebben használható, de nagyon megszoktam a phyML-t).
Nem ismerem az IQ-fát, de annak a szerzők azt állítják, hogy az RAQML-rel vagy a phyML-mel egyidőben is megadva az IQ-fa már gyakrabban talál jobb valószínűségeket (bár alapértelmezés szerint egy kicsit hosszabb ideig tart a konvergálás). E programok közelmúltbeli összehasonlítása mind az egygénes, mind az összefűző analízis során az IQ-TREE-t részesítette előnyben (az RAxML nagyon szoros volt). Lehet, hogy csak SH-szerű teszten keresztül becsüli meg az elágazási támogatást, de nem vagyok biztos benne. [ frissítés: Az IQ-fa 3 támogatási szintet kínál, a normál bootstrapot, az aLRT-t és az ultragyors bootstrap-ot. A részletekért lásd az OP alábbi megjegyzését.]
Mivel azonban kevés hiányzó adatod van, érdemes kipróbálni az egylokuszos fa következtetését, majd génfa-klaszterezést ( treescape a használatával > vagy treeCL), hogy lássa, mennyire terjeszti az adatait, vagy hogy lássa a kiugró értékek eltávolításának hatását, vagy a statisztikai összerendeléshez hasonló ötleteket használjon.