software

MAFFT 实跑,新增片段以后原来的第 150 列还在原位吗

作者:发布于 2026-11-17约 10 分钟阅读
加上新序列,旧列号还在吗。实际运行 7.525,检查片段、坐标与方向。扩展,210 列,保留全部插入,原有对应不变,绝对列号可移动。固定,200 列,片段减少十个碱基,keeplength 保持旧列并排除插入。映射,mapout 也会启用固定长度,先检查丢失位置,再衔接注释。

一份多序列比对已经标好功能位点,又拿到几个新样本,直接把序列补进去,看起来只是一件小事。真正容易出错的地方在于,原先注释的“第几列”可能已经换了位置。更隐蔽的情况是,为了维持旧坐标,新序列中的插入被删除了,结果文件依然整齐,程序也正常结束。

MAFFT 同时提供从头比对、追加完整序列、追加片段和固定参考长度等功能。它们服务的分析目标不同,不能只凭输出能打开就认定任务完成。本文实际安装并运行 MAFFT 7.525,用自编序列逐项检查新增碱基、参考列和反向互补序列的去向。读完后,应该能够为自己的比对任务选择合适的输出,并写出比“文件非空”更可靠的验收条件。

加上新序列,旧列号还在吗。实际运行 7.525,检查片段、坐标与方向。扩展,210 列,保留全部插入,原有对应不变,绝对列号可移动。固定,200 列,片段减少十个碱基,keeplength 保持旧列并排除插入。映射,mapout 也会启用固定长度,先检查丢失位置,再衔接注释。
实际运行 7.525,检查片段、坐标与方向

先区分三种“位置”

原始序列的位置,是去掉比对空位以后某个碱基在这条序列中的编号。比对列的位置,是多条序列排成矩阵后,从左到右的列编号。参考序列的位置,则是某条指定参考序列去掉空位后的编号。这三个量在没有插入缺失时可能碰巧相同,一旦发生缺口,就不能互相替代。

例如一条参考序列前面增加十个空位,它原来的第一百五十个碱基仍然是第一百五十个碱基,但在比对矩阵中可能落到第一百六十列。用旧列号提取新文件,就会取到错误的位置。这个错误不会造成语法异常,却会影响保守位点展示、结构域边界和按位点组织的结果表。

因此,交付比对时应同时说明坐标所依附的对象。如果注释依附于原始参考序列,就保留参考残基编号与比对列之间的映射。如果一个项目已经约定了固定的参考比对列,则新增序列时需要明确采用固定长度策略,并另存那些无法放入既有列的插入信息。二者都合理,前提是研究目的与保留的信息一致。

本次输入怎样构造,怎样复现

本次使用固定随机种子生成一条二百碱基的人工 DNA,再构造四条参考序列。其中三条带少量替换,第四条另有五个缺口。四行已经排成二百列,原始参考中没有全为空位的列。新增片段来自主参考的第六十一到第一百四十位,中间人为加入十个碱基,所以它本身长九十碱基。

这些序列只用于检查程序行为,没有物种来源、真实测序错误或已知功能,也不用于比较不同算法的生物学准确率。完整脚本会重新生成输入,执行全部命令,检查序列与坐标,并写出 JSON 结果。代码与实际结果放在本组三篇复现包中,解压后运行 201-mafft/run.py,传入一个工作目录即可。

运行需要 Linux、Python 3 和能够执行 Docker 的用户。本次使用固定摘要的公开容器,软件版本与镜像记录在脚本和结果中。容器限制为两核和四 GB 内存,MAFFT 显式使用一条线程。这是让小练习可复现的环境设置,不是对真实项目规模的配置建议,也没有测量大型数据的运行效率。

如果已经安装同版本 MAFFT,核心命令如下。第一条允许输出增加列,第二条要求保留原参考长度,第三条请求逐碱基映射。

mafft --thread 1 --auto \
  --addfragments fragments.fa reference.afa > extended.afa

mafft --thread 1 --auto --keeplength \
  --addfragments fragments.fa reference.afa > fixed.afa

mafft --thread 1 --auto --mapout \
  --addfragments fragments.fa reference.afa > mapped.afa

不固定长度,新增插入有地方可放

第一条命令输出二百一十列,新增片段去掉空位后仍然是九十碱基,与输入逐字一致。十个插入碱基获得了十列空间,参考序列在这些新列上填入空位。因此,原参考每行的字符总长度发生了变化,但原来四条参考之间的对应关系没有改变。

这里的检查方法很有用。先只看四条旧参考,找出它们全部为空位的新增列,把这些列投影掉,再逐行比较是否与原参考比对一致。本次比较完全一致。这比只检查旧参考的非空位序列更严格,因为非空位序列相同,仍然可能发生原有缺口位置的重新安排。

需要注意,这项投影检查成立的背景是本次旧参考没有全为空位的列。真实比对中如果已经含有这种列,简单删除所有空列可能把原有占位列一起删掉。此时应保存旧列的明确映射,而不能把投影后的长度相等当作充分证据。原始输入是否有全空列,应在运行前记录。

新增列出现以后,旧的绝对列号就不能直接使用。在这组输入中,插入发生在主参考第一百位后,因此后面的旧列整体后移。对下游脚本来说,正确处理方式是使用重新生成的映射表或按参考残基定位,而不是仅把新文件名替换进旧流程。

固定长度,得到稳定坐标也失去插入

第二条命令输出仍为二百列,四条参考行与输入完全相同。不过,新片段去掉空位后只剩八十碱基。人为加入的十个碱基没有进入这个固定长度的矩阵。这里的“保留长度”是一种明确的信息取舍,并不表示所有输入字符都保留了下来。

本次运行 输出列数 新片段保留碱基数
默认追加片段 210 90
加 keeplength 200 80
仅额外加 mapout 200 80

第三行是最容易忽略的一项。本次只增加映射输出参数,也得到了与固定长度完全一致的比对。原因是这个参数会自动启用固定长度行为,所以它并非纯粹多写一个辅助文件。参数的这一关联在官方追加序列说明中有明确记录。

本次映射文件包含九十条原始碱基记录,其中片段的第四十一到第五十位,其目标列写为短横线。这正好对应人工插入的十个碱基。其余八十条有明确目标列。检查“有映射的字符数加上被排除的字符数等于输入长度”,能够帮助发现解析过程中漏行、坐标重复或错误过滤。

固定长度结果适合对接已经冻结的参考列、已有特征矩阵或按既有坐标组织的比较。但如果研究问题正是新增插入的组成和长度,仅分析这个结果就会丢失所需证据。应同时保留原始新增序列、映射文件,以及允许扩展的比对版本,让插入本身仍然可以审阅。

还要避免把插入被删除解释为质量过滤。这里没有根据测序质量、支持读段数或功能重要性作出判定,只是新增字符无法放入固定的旧列。输出中看不到某段序列,与该序列不存在、错误或不重要,属于不同结论。

方向不统一,也能得到一个看似正常的文件

第二组控制把主参考的反向互补序列混入输入。在未校正方向时,程序正常产生了二百四十列的比对。这个文件具有统一行长,也保留了全部输入碱基,但混入的序列方向与其他参考不同。仅检查程序退出状态和行长,都不会发现这一层问题。

加入方向校正参数后,输出缩短为二百列。反向输入的标题增加了 _R_ 前缀,去掉空位后的序列与正向主参考完全一致。这是利用已知构造关系完成的核验,不是根据“比对更短”猜测结果更正确。真实数据也应优先依赖注释方向或可核查的序列对应关系。

mafft --thread 1 --auto \
  --adjustdirectionaccurately directions.fa > oriented.afa

方向校正会影响名称匹配。若下游样本表仍使用原始标题,直接按输出名称连接可能找不到对应记录。稳妥的办法是在运行后建立原始名称、输出名称和是否反向互补的对应表,再检查一对一关系,不能随意删掉所有名称前缀以求“匹配成功”。

官方方向处理说明区分了快速计数方案与基于动态规划的方案,并说明反向互补后的标题标记。对方向本来一致的输入,仍建议保留输入检查记录。方向统一只能解决方向问题,不能证明序列来自同一基因,也不能修复错误的序列截取范围。

从头比对时,怎样理解 auto 与精细算法

我们还把四条参考去掉空位,分别执行自动选择策略和局部成对比对加迭代优化的策略。两次都得到二百列,逐条序列完全一致。这个结果只说明当前四条相近人工序列没有暴露两种运行方式的差异,不能外推为精细策略在所有数据上都没有作用。

不同策略对序列之间如何建立对应关系有不同侧重。官方算法说明提供了局部匹配、整体匹配与迭代优化的背景。实际选择时,首先应了解是否是全长同源序列,是否混有较短片段,是否只有一段共享结构域,再决定需要比较哪些策略。

如果长度差异来自大量末端缺失,把它当成长内部插入处理,结果解释就可能偏离问题。反过来,真正包含额外结构域的完整序列,也不应只因长度不同就一律作为短片段追加。输入分类比机械增加迭代次数更值得先检查。

自动选择提供了便利,精细策略提供了进一步检查的手段。它们共同的限制是,输出矩阵本身不会替使用者确认同源关系、序列边界与注释正确性。对重要的功能位点,可以比较不同合理策略中的残基对应是否稳定,再结合独立证据审阅。

一份可以交给下游的比对,至少应留下什么

本次练习采用分层检查。第一层确认样本名称和数量,避免新增片段覆盖旧名称。第二层确认所有输出行等长,且字符属于预期字母表。第三层按运行目的检查序列保留情况,普通追加要求完整保留新增序列,固定长度则要求所有损失都有映射记录。

第四层检查旧参考的关系是否保留,区分“去掉空位后一样”与“原有列对应一样”。第五层检查方向变化与名称变化是否同步记录。最后再审阅重要位点的坐标,确认下游注释使用的是原始序列编号、参考残基编号还是比对列编号。

对于批量工作,把这些检查写成脚本比人工逐个打开文件更可靠。检查失败时要保留原输入、命令、日志和失败原因,尤其不要用一个空文件替代失败结果继续拼接。成功标准应围绕本次分析需要保留的信息,而不只是围绕程序是否跑完。

还要把结果流与日志流分开保存。本次脚本将标准输出作为比对文件,将标准错误作为运行日志。若为了方便把两者混在同一个文件,进度信息就可能被误当成序列内容。检查时不仅要寻找大于号标题,还要确认标题后的字符有效,并核对解析得到的实际样本数。一个可以被宽松解析器读入的文件,仍可能含有不应出现的日志行。

这次实跑最直接的经验是,同一个工具的不同参数可以产生两种都正确、但用途不同的结果。扩展比对保留新增插入,固定比对维持旧列坐标。只有把这项取舍讲明白,后续的位点注释、功能解释和结果共享才有共同的坐标基础。

当这套输入检查、坐标映射与结果验收需要用于更多序列和重复分析时,可结合实际任务了解云生信生物分析服务器服务。

把知识用于当前任务

下一步可以直接开始分析

按研究目标查找在线工具、课程、计算资源或完整分析服务。

按目标找方案仍有疑问,联系客服 ↗