
批量建树时,随机种子、比对版本和输出前缀应与基因一起保存。不能只保留几百个treefile后再猜它们用了哪一版输入。本篇使用IQ-TREE 2/3支持的标准参数,先为DNA比对完成独立任务,再核对树叶与输入;软件实际版本随结果记录,不混入IQ-TREE 1旧参数。
比对和支持度方案先确定
输入是已检查、已按研究协议修剪的同源DNA比对,不能将未比对序列直接批量建树。下面限定每个文件至少四个序列、等长且ID唯一,允许标准IUPAC字符和gap。密码子模型需明确选择CODON及适用遗传密码,本例使用DNA,不因序列来自CDS就自动变成密码子分析。
| 参数 | 本例作用 | 需要记录 |
|---|---|---|
| -m MFP | 模型选择并进行树推断 | 报告中实际选中模型 |
| -B 1000 / -alrt 1000 | UFBoot与SH-aLRT示例方案 | 是两种支持度,不是同一统计量 |
| -T 2 / -seed 101 | 固定教学线程与随机种子 | 版本和输入仍须相同 |
| -pre | 每基因独立输出前缀 | 避免覆盖和检查点串用 |
生成输入检查器
环境需要Python 3与Biopython。将下列保存为check_alignment.py,对单个基因执行python3 check_alignment.py alignments/gene1.fa。它打印序列数和列数,拒绝空序列、全缺失序列、长度不齐和不安全ID;结构合格仍需检查同源性、缺失分布及修剪是否合适。
import re,sys
from Bio import SeqIO
records=list(SeqIO.parse(sys.argv[1],"fasta"))
ids=[r.id for r in records]
assert len(records)>=4 and len(ids)==len(set(ids))
assert all(re.fullmatch(r"[A-Za-z0-9_.-]+",x) for x in ids)
assert len({len(r.seq) for r in records})==1 and len(records[0].seq)>0
for r in records:
seq=str(r.seq).upper()
assert set(seq)<=set("ACGTRYSWKMBDHVN?-")
assert set(seq)&set("ACGT"),"序列没有明确碱基"
print("taxa",len(ids),"sites",len(records[0].seq))
先顺序运行一个可追踪的批次
将已筛选比对放入alignments,文件名限安全字符且统一.fa。IQTREE填写实际可执行文件路径,如本机安装的iqtree3。脚本为每个基因建立新目录,保留检查结果、完整日志和资源;两种1000次支持度只是示范分析协议,不是适用于所有科学问题的最低充分条件。
set -euo pipefail
: "${IQTREE:?填写经验证的IQ-TREE 2或3可执行文件}"
mkdir iqtree-batch-001
"$IQTREE" --version > iqtree-batch-001/version.txt 2>&1
shopt -s nullglob
files=(alignments/*.fa)
test "${#files[@]}" -gt 0
for input in "${files[@]}"; do
gene=$(basename "$input" .fa)
[[ "$gene" =~ ^[A-Za-z0-9_-]+$ ]]
out="$PWD/iqtree-batch-001/$gene"
mkdir "$out"
python3 check_alignment.py "$input" > "$out/input-check.txt"
sha256sum "$input" > "$out/input.sha256"
/usr/bin/time -v -o "$out/run.time" "$IQTREE" -s "$input" \
-st DNA -m MFP -B 1000 -alrt 1000 -T 2 -seed 101 -pre "$out/tree" \
> "$out/console.txt" 2>&1
test -s "$out/tree.treefile"
test -s "$out/tree.iqtree"
test -s "$out/tree.log"
python3 - "$input" "$out/tree.treefile" <<'PY'
import sys
from Bio import SeqIO,Phylo
expected={r.id for r in SeqIO.parse(sys.argv[1],"fasta")}
names=[x.name for x in Phylo.read(sys.argv[2],"newick").get_terminals()]
assert len(names)==len(set(names)) and set(names)==expected
PY
done
失败重启与结果解释
检查tree.iqtree中的模型、序列数、位点统计和警告,再读取日志是否正常完成。存在treefile不能证明所有支持度步骤均结束,也不能只凭树形看起来合理判定成功。相同序列、低信息量、模型不足或异常缺失需要单独处理,不能由1000次重复自动解决。
中断后若希望使用检查点,保持同一输入、参数和前缀,按官方恢复机制操作;不要默认加-redo,后者会覆盖重算。改变比对、模型或种子时建立新任务目录,并写明与旧结果的关系。固定种子有助于复查,不承诺不同版本、线程环境或硬件的结果绝对相同。
先顺序测代表性比对的完整模型选择、树搜索及支持度阶段,再决定是否同时跑多个基因。外层任务数乘内部线程只是CPU预算起点,还要考虑内存与最长家族。批处理避免使用不受约束的AUTO;-mem属于程序内部内存控制,若需强制配额仍由调度器或容器资源限制执行,并保留被杀任务记录。
同一批次采用相同种子便于配置追踪,不意味着不同基因的统计结果因此独立。若方法要求多次独立搜索,另列种子清单和比较规则,不能在运行后选择最符合预期的树。建树汇总表至少保存输入SHA、实际模型、种子、支持度方案、最终日志状态和树文件路径,便于定位缺失基因。
参考资料
需要额外算力时
适用前提:有效比对和建树设计确认后,多基因任务超过现有吞吐量。如需额外资源,可评估按任务测算的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
