
OrthoFinder资源需求既取决于物种和蛋白质数量,也取决于后续比对、基因树与物种树路线。本篇选择OrthoFinder 3的完整MSA分析,先清点蛋白集,再固定一次可复查试跑。核心物种增量分配另有流程,不能把更省资源的另一种算法当作本次全量分析的等价结果。
每个物种一套有来源的蛋白质
将至少三个物种的蛋白质FASTA放入proteomes目录,统一以.fa结尾。通常按研究设计选择每个基因的代表转录本,并记录选择方法;不能把多个转录本都当成独立基因后直接解释拷贝扩张。每个文件内ID唯一,跨物种同名ID的身份需连同物种保存,后续整合时不要仅按短ID连接。
| 记录项 | 为什么需要 | 后续核对 |
|---|---|---|
| 物种、注释版本及蛋白集SHA | 冻结分析对象 | 与日志物种清单一致 |
| 序列数和总氨基酸数 | 暴露异常注释或输入膨胀 | 不只数FASTA文件 |
| -M / -S / -A / -T | 固定推断路线和外部工具 | 不要只记OrthoFinder版本 |
| -t / -a | 区分外部与内部并行 | 多任务时预算叠加 |
先输出一个可以审阅的输入清单
以下检查器使用Python3.11以上,按行读取,拒绝重复ID、空序列、空文件和在首个标题前出现的序列。它检查基本结构,不负责验证蛋白质预测质量;异常字符、过多短片段与污染需另行评估。运行时要求inventory尚不存在,避免把新旧输入清单混在一起。
import hashlib,json
from pathlib import Path
rows=[]
files=sorted(Path("proteomes").glob("*.fa"))
assert len(files)>=3
for path in files:
seen=set();length=0;total=0;name=None
with path.open() as f:
for raw in f:
line=raw.strip()
if not line:continue
if line.startswith(">"):
if name is not None:assert length>0
fields=line[1:].split();assert fields
name=fields[0];assert name not in seen
seen.add(name);length=0
else:
assert name is not None
assert line.isascii() and line.isalpha()
length+=len(line);total+=len(line)
assert seen and length>0
with path.open("rb") as f:digest=hashlib.file_digest(f,"sha256").hexdigest()
rows.append(dict(species=path.stem,file=str(path),proteins=len(seen),residues=total,sha256=digest))
with open("proteome-inventory.json","x") as f:json.dump(rows,f,indent=2)
print("species",len(rows),"proteins",sum(r["proteins"] for r in rows))
固定路线完成一次全流程试跑
已安装环境须通过官方测试,并具有DIAMOND、MAFFT、FastTree及该版本其他依赖。以下两线程和一个内部并行是教学起点,不是推荐配置。输出路径必须全新;保存帮助输出与安装版本,不能从网上某个版本的默认值推断本机行为。
set -euo pipefail
test -s proteome-inventory.json
test ! -e orthofinder-baseline-001
test ! -L orthofinder-baseline-001
orthofinder -h > orthofinder.help.txt
/usr/bin/time -v -o orthofinder.time orthofinder \
-f "$PWD/proteomes" -M msa -S diamond -A mafft -T fasttree \
-t 2 -a 1 -o "$PWD/orthofinder-baseline-001" > orthofinder.console.txt 2>&1
按实际结果目录验收阶段
从日志取得本次Results目录,不硬编码日期。检查实际物种与输入清单一致,读取统计、基因树和物种树相关结果,确认流程不是停在搜索结束。当前官方优先建议使用层级直系同源群HOG;N0.tsv对应根节点,其他节点文件有不同范围。旧Orthogroups.tsv已被标记为弃用结果,不能不看版本直接沿用旧教程。
记录搜索、MSA/基因树和汇总阶段的起止时间、峰值内存与工作盘。-t主要控制搜索、比对和建树等外部任务,-a控制内部分析并行;同时提高两者可能增加高内存任务竞争。单个外部程序的峰值不能直接代表整个任务树的峰值,应结合调度器或cgroup数据。
先挑具有代表性的物种集合完成整条路线,再评估全量预算;只运行几分钟搜索不能推算后面树推断的耗时。出现某个物种分组异常时先检查蛋白集与代表转录本方案,树推断失败则定位对应家族及其比对。扩容或增加并发之前,保留一个完整成功任务的版本、参数、日志和验收表,后续比较才有依据。
下载练习材料
先核对包内SHA256清单,再在独立目录复现。
需要额外算力时
适用前提:蛋白质集与分析设置合理,大规模任务超出现有容量或时长。如需额外资源,可评估大内存CPU服务器租赁。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
参考与版本核对
- OrthoFinder官方路线与输出
- OrthoFinder命令解析与并行设置
- Python file_digest版本与文件哈希
- OrthoFinder 官方使用教程与结果说明
- OrthoFinder 官方结果目录解释
按文中适用环境运行,所用版本与参数以实际安装环境和对应官方文档为准。
