
CAFE5分析的是基因家族计数沿时间树的变化。安装成功并不能修复错误的物种列、混用转录本的计数或替代率树。先验证一份输入,再运行简单模型,能把环境故障与统计模型问题分开。本篇以已完成同源家族划分、每基因保留合理代表序列的物种集合为前提。
先准备对应的计数表和时间树
families.tsv前两列为Desc、Family ID,其后是物种计数;使用TAB分隔。tree.nwk是有根、分叉且枝长以相同时间单位表示的超度量树,叶名与物种列完全一致。CAFE不负责构树或把替代率换成时间,也不把未知基因数量自动解释成零。
| 文件 | 本例检查 | 仍需人工确认 |
|---|---|---|
| 计数表 | 家族ID唯一、非负整数 | 家族划分与注释质量一致 |
| 时间树 | 叶名、枝长、根至叶距离 | 定年依据与拓扑适用 |
| 运行环境 | CAFE5与Biopython可用 | 官方样例和依赖已验收 |
| 模型 | 先用单lambda基础模型 | 家族适用范围与收敛 |
先拒绝明显不匹配的输入
将下段保存为check_cafe.py,在输入目录执行。需要Biopython。距离容差只用于浮点检查,不是定年误差标准;示例严格要求非根枝长大于零,项目若有特殊树结构应先明确方法。它检查格式,不证明同源家族真的可比较。
import csv,math,re
from Bio import Phylo
tree=Phylo.read("tree.nwk","newick")
tips=tree.get_terminals();names=[x.name for x in tips]
assert names and all(names) and len(set(names))==len(names)
assert all(len(x.clades)==2 for x in tree.get_nonterminals())
for node in tree.find_clades():
if node is tree.root:continue
assert node.branch_length is not None
assert math.isfinite(node.branch_length) and node.branch_length>0
dist=[tree.distance(x) for x in tips]
assert max(dist)-min(dist)<=1e-6*max(1,max(dist))
with open("families.tsv",newline="") as f:
rows=list(csv.reader(f,delimiter="\t"))
head=rows[0];species=head[2:]
assert head[:2]==["Desc","Family ID"]
assert len(species)==len(set(species)) and set(species)==set(names)
seen=set()
for row in rows[1:]:
assert len(row)==len(head) and row[1] and row[1] not in seen
seen.add(row[1]);assert all(re.fullmatch(r"[0-9]+",x) for x in row[2:])
assert seen
print("families",len(seen),"species",len(species))
用新目录运行基础模型
在已通过该版本官方样例的CAFE5环境中执行。两核是演示配置,-c才是处理核数;旧版CAFE脚本里的load、lambda命令不能直接当作CAFE5入口。保存二进制校验与环境清单,后续尝试另起输出目录,避免覆盖。
set -euo pipefail
python3 check_cafe.py
test ! -e cafe-run-001
test ! -L cafe-run-001
mkdir cafe-run-001
sha256sum "$(command -v cafe5)" > cafe-run-001/binary.sha256
/usr/bin/time -v -o cafe-run-001/resources.txt cafe5 \
-i families.tsv -t tree.nwk -c 2 -o cafe-run-001/model \
> cafe-run-001/run.log 2>&1
test -s cafe-run-001/model/Base_results.txt
test -s cafe-run-001/model/Base_family_results.txt
验收估计与失败原因
检查Base_results中的模型、lambda和似然,家族结果中的ID、概率及未计算情况应能回到输入。基础模型跑通后,按研究问题决定是否使用误差模型或多速率类别,并重复拟合比较收敛,不能只选择显著家族最多的一次。家族缺少共同祖先存在的证据时,先按CAFE适用条件评估。
枝长或物种名报错回到输入表;数值异常、无法收敛则核对特别大的家族、注释差异与模型设置,不为通过就任意删家族。保留筛选前后映射及理由。官方示例成功只说明安装链条基本可用,不能证明本项目的计数、树或统计推断已经正确。
分别记录家族数、物种数、最大计数、模型类别、实际RSS和完整耗时。扩大类别数会改变计算与优化问题,不是纯加速开关。先测必要的完整模型,再判断需要更长运行时间、更多CPU还是更多RAM;环境部署、服务器使用和结果解释应各自列清交付内容。
准备小例子时可用三个物种A、B、C,时间树为((A:1,B:1):1,C:2);,计数表物种列同为A、B、C。示例家族F1可填2、3、2,F2填1、1、2,仅用于验证文件衔接,不能据此报告真实扩张。正式输入另存,不将测试家族混入研究结果。物种列顺序可与叶遍历顺序不同,但名称必须精确对应;用统一映射表改名,不能只替换树里一处缩写。
参考资料
需要额外算力时
适用前提:研究输入和方法适用,用户需要兼容软件环境及计算资源。如需额外资源,可评估服务器租赁及按需环境部署。咨询时说明软件版本、任务规模和使用期限,配置与支持范围另行确认。
咨询本任务的服务器配置
留下手机号,我们会结合本文任务与您沟通服务器配置和报价。 也可联系云生信企业微信客服,说明本文任务。咨询本任务的服务器配置
