
codeml会在工作目录生成多个固定名称文件,把不同基因或模型放在一起容易覆盖证据。本篇用PAML 4.10及以后版本的codeml建立M0基线:每个基因使用两个初始omega,在独立目录拟合相同模型,再比较似然。M0估计总体平均选择压力,本身不是正选择的显著性检验。
输入必须是密码子比对
准备alignments/*.fa和trees/同名.nwk,一基因一对文件。clock=0采用无根树表示,本例要求Newick最外层至少三分叉,避免人为二叉根带来冗余分支。序列应来自可靠同源关系、正确阅读框和合适遗传密码,不把普通核酸比对按三列机械分组。本例采用标准核遗传密码,ID限十个安全字符,至少四个样本;允许完整缺口密码子和NNN,但拒绝部分密码子缺口及明确终止密码子。
| 控制项 | 本例设置 | 解释 |
|---|---|---|
| seqtype / model / NSsites | 1 / 0 / 0 | 密码子M0单omega模型 |
| CodonFreq / icode | 2 / 0 | F3X4与标准遗传密码 |
| fix_omega / omega | 0 / 0.2或2 | 估计omega,比较两个初始点 |
| cleandata | 1 | 移除含模糊或缺失的位点,记录其影响 |
从输入到两个独立拟合
需要Python 3和Biopython;codeml已在PATH,安装版本另存记录。以下保存为run_m0.py,建立新paml-m0-001目录。简化的顺序PHYLIP写入已检查长度;脚本解析lnL只是技术验收,不将找到一个数值等同于优化充分收敛。
import re,math,subprocess,shutil,csv
from pathlib import Path
from Bio import SeqIO,Phylo
files=sorted(Path("alignments").glob("*.fa"));assert files
root=Path("paml-m0-001");root.mkdir();summary=[]
for path in files:
gene=path.stem;assert re.fullmatch(r"[A-Za-z0-9_-]+",gene)
records=list(SeqIO.parse(path,"fasta"));ids=[r.id for r in records]
assert len(ids)>=4 and len(ids)==len(set(ids))
assert all(re.fullmatch(r"[A-Za-z0-9_]{1,10}",x) for x in ids)
lengths={len(r.seq) for r in records}
assert len(lengths)==1;length=lengths.pop();assert length>0 and length%3==0
for r in records:
seq=str(r.seq).upper();assert set(seq)<=set("ACGTN-")
for i in range(0,length,3):
codon=seq[i:i+3]
assert "-" not in codon or codon=="---"
assert codon not in {"TAA","TAG","TGA"}
complete_codons=sum(
all(set(str(r.seq[i:i+3]).upper())<=set("ACGT") for r in records)
for i in range(0,length,3))
assert complete_codons>0,"cleandata=1后没有完整无缺失密码子"
treepath=Path("trees")/(gene+".nwk")
tree=Phylo.read(treepath,"newick");assert len(tree.root.clades)>=3
names=[x.name for x in tree.get_terminals()]
assert len(names)==len(set(names)) and set(names)==set(ids)
for label,omega in [("start02",0.2),("start2",2)]:
d=root/gene/label;d.mkdir(parents=True)
(d/"seq.phy").write_text(f"{len(ids)} {length}\n"+"".join(
f"{r.id:<12}{str(r.seq).upper()}\n" for r in records))
shutil.copyfile(treepath,d/"tree.nwk")
settings=dict(seqfile="seq.phy",treefile="tree.nwk",outfile="mlc",
noisy=3,verbose=1,runmode=0,seqtype=1,CodonFreq=2,clock=0,
model=0,NSsites=0,icode=0,Mgene=0,fix_kappa=0,kappa=2,
fix_omega=0,omega=omega,fix_alpha=1,alpha=0,ncatG=8,
getSE=0,RateAncestor=0,cleandata=1,method=0)
(d/"codeml.ctl").write_text("".join(f"{k} = {v}\n" for k,v in settings.items()))
with (d/"run.log").open("x") as log:
subprocess.run(["/usr/bin/time","-v","-o","run.time","codeml","codeml.ctl"],
cwd=d,stdout=log,stderr=log,check=True)
text=(d/"mlc").read_text()
values=re.findall(r"lnL\([^\n]*?\):\s*([-+0-9.eE]+)",text)
assert len(values)==1;lnl=float(values[0]);assert math.isfinite(lnl)
summary.append((gene,label,lnl,"LIKELIHOOD_PARSED"))
with (root/"summary.tsv").open("x",newline="") as f:
w=csv.writer(f,delimiter="\t");w.writerow(["gene","start","lnL","status"]);w.writerows(summary)
从似然与日志判断是否需要重跑
每个基因应有两条summary记录及各自完整mlc、run.log和控制文件。对同一模型比较lnL:明显不一致时查看优化警告、参数边界、序列信息量及树,再增加合理初始点。接近的似然也不证明所有假设成立。不要直接取数值较大的omega当作“更强选择”,应按模型和拟合状态解释。
cleandata=1可能使实际分析位点明显少于输入长度;检查输出使用的序列和位点数,缺失过多应先处理输入。明确终止密码子需回查CDS与阅读框,不能静默把它替换为N。若适用其他遗传密码,控制项和输入检查器都要一起更改。
之后再扩模型与并发
需要分支、位点或分支位点检验时,另列科学假设、前景标记、零假设与备择模型及适用检验分布;两个起始omega只是优化复核,不能当作两个用于似然比检验的模型。多基因、多位点筛选还需预先考虑多重检验与异常基因复核。
本例顺序运行并在首个错误停止,保留失败目录,不覆盖重跑。先记录代表基因的墙钟、RSS和结果大小,再由任务调度器增加外层并发。不能给标准codeml凭空添加通用线程参数;每个基因、模型和初始点都要独立工作目录,汇总时保留失败与未完成状态,防止部分成功被计为整批通过。
比较似然时按数值大小理解:例如−1234高于−1240,不能取绝对值较大的那次。本例没有自动给出统一收敛阈值,数值差异需结合数据规模与优化日志判断。summary不含生物学通过标签;正式汇总还需从mlc复核实际样本、位点、omega及边界情况,并保存另一初始点的结果。零信息或严重饱和的比对应回到输入质量复查。
参考资料
提交前还要求cleandata后至少保留一个完整无缺失密码子,避免全缺失或缺口错位的比对进入拟合。这只是最低格式门槛,不代表信息量、统计功效或模型可识别性已经充分。
需要额外算力时
适用前提:密码子比对和模型设置合适,大量独立基因任务需额外CPU。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
