多序列比对的结果常被当作一个普通文本文件。只要序列排得整齐,便转换格式、合并样本注释,再交给建树程序。真正容易积累错误的地方,往往在这些衔接步骤。旧比对加入新序列后,原有列号是否还能使用。长名称转换格式后是否仍然唯一。输出顺序改变后,样本分组是否跟着改变。
Clustal Omega 提供普通多序列比对、既有比对之间的合并以及多种格式输出。本文实际安装并运行 1.2.4,用自编蛋白序列检查这些行为。重点不在于展示一条命令跑完,而在于建立一套可以判断“这个文件是否还能安全交给下一步”的方法。

普通序列输入与 profile 输入有什么区别
普通输入是一组需要重新确定对应关系的序列。既有比对输入则包含已经建立的列关系,使用者希望在添加其他序列时继续保留这些关系。后者通常称为 profile。这里需要保留的是同一组序列内部的对应,不一定是合并结果中的绝对列编号。
假设一个既有比对有一百二十列,新加入的一组含有额外六个残基。合并时可以在旧组中插入六个共同空位,让新组的插入获得空间。旧组内部哪些残基互相对应没有改变,但后面的列号已经移动。因此,“保留原比对”与“输出长度完全不变”不是同一个承诺。
对于已标注的功能位点,应该保存原始残基编号或旧列到新列的映射,不能仅依赖运行参数的名称。若某个下游模型必须接收固定宽度的矩阵,也应单独核对结果宽度和坐标,不能把 profile 合并直接当成固定长度投影。
本次构造怎样的输入
本次用固定随机种子生成一条一百二十残基的人工蛋白序列,再生成几个带少量替换或插入缺失的版本。第一组有两条序列,排成一百二十列,其中一条包含六个缺口。第二组也有两条序列,含一个六残基插入,排成一百二十六列。
这些序列没有真实物种来源,没有用于推断功能或进化历史。它们只用于检查文件行为。人工设计的优势在于,我们知道哪一段是新增内容,能够直接验证合并后是否完整保留,而不是根据图形是否好看来猜测。
完整脚本与实际输出记录放在本组三篇复现包。在具备 Python 3 和 Docker 的 Linux 环境中,运行 203-clustal-omega/run.py,传入工作目录即可重新生成输入和全部结果。脚本固定容器摘要,记录版本与命令,并限制本次小练习的资源使用。
核心运行方式如下。第一条从普通序列生成比对,第二条合并两个既有比对。这里显式声明 profile,避免把等长但不含缺口的输入仅当成碰巧等长的普通序列。
clustalo -i input.fa -o base.afa \
--threads=1 --outfmt=fasta \
--guidetree-out=guide.nwk --force
clustalo --p1=p1.afa --p2=p2.afa \
--is-profile --threads=1 \
-o profiles.afa --force
本次每条命令使用独立的文件或明确的目标文件。示例中的覆盖参数是为了复现目录中的预期输出。实际项目中应先确定输出命名和备份方式,避免在尚未核对新结果时覆盖唯一的旧版本。
怎样证明旧比对关系确实保留下来
两组 profile 合并后得到四条序列、一百二十六列。第二组原有的一百二十六列与输出逐行一致。第一组则增加了六个共同空位,因此它的输出行并不与原文件逐字相同。
如果仅拿第一组输出与旧字符串比较,会误判“没有保留”。正确做法是只查看第一组,在合并结果中找出两条旧序列都为空位的新增列,投影掉这些列,再比较恢复后的两行。本次恢复后与原来的一百二十列完全一致。
这项检查证明的是本次旧组内部的对应关系得到保留。它不证明旧比对在生物学上正确,也不证明两个组之间新增的对应关系具有实验支持。程序可以忠实保留一个原本有问题的比对,所以输入参考的质量仍然需要独立审阅。
投影法也有边界。如果原始 profile 已含有全为空位的列,简单去除所有共同空位就可能连原有列一起删掉。此时需要在运行前记录这些列,使用更明确的映射或逐列标记。验收规则必须与输入特点匹配,不能只复用一个长度比较公式。
本次另一项控制是只添加一条新序列。将它作为第二个 profile 输入,实际运行成功,输出三行、一百二十六列。但将它放在普通序列输入位置,再与第一个 profile 组合,程序返回失败,并明确提示输入文件只有一条序列。两个接口接受的组合不同,不能因为数据相同就交换参数位置。
输出顺序变了,不代表比对关系变了
普通运行的输出顺序与本次输入一致,为第一组的第一条、第二组的第一条、第一组的第二条、第二组的第二条。改为引导树顺序后,四条序列的顺序发生改变,但按名称对应后,每条含空位序列完全相同。
这说明仅按行号比较两个比对文件,会把顺序差异与比对差异混在一起。更严重的是,若样本分组表仍按旧行序直接拼接,新文件中的序列就可能被分配给错误组别。结果看起来依然完整,却已经发生身份错配。
处理方式应始终围绕稳定的唯一标识。先解析每条序列的标识,核对它们是否与样本表一一对应,再连接注释。比较两个结果时也先按标识对齐,再判断残基与空位位置是否改变。行顺序可以影响展示,不能代替身份。
引导树文件也应与正式系统发育推断区分。本次生成它是为了记录比对过程中使用的聚合顺序,没有进行模型比较、分支支持度评估或生物学解释。一个能够被树形软件打开的文件,不等于已经完成适合研究问题的系统发育分析。
最容易被忽略的格式转换损失
为检查名称,我们把四个样本改成三十六字符的长标识,只在末尾用不同数字区分。分别输出 FASTA、Clustal 和 PHYLIP 格式。三次运行都正常结束,但名称保留情况并不相同。
| 本次格式 | 长名称结果 | 应对方式 |
|---|---|---|
| FASTA | 四个名称完整保留 | 继续核对解析规则 |
| Clustal | 本版本完整保留 | 不假定所有环境一致 |
| PHYLIP | 四个名称截成同名 | 预先转换为唯一短标识 |
PHYLIP 输出中的名称字段只留下前十个字符,四条都变成了 long_sampl。序列数仍为四,比对宽度仍为一百二十六,残基也还在,但身份信息已经丢失。只检查文件存在、行数或矩阵维度,无法发现这个问题。
我们随后把名称改成 S000001 这样的唯一短标识,单独保存短标识与原名称的对应表,再次输出 PHYLIP。四个标识全部保留。这个办法的关键是转换前确认唯一性,并保存映射,而不是简单截取每个名称的前几个字符。
有些下游程序支持较宽松的 PHYLIP 变体,但不能因此假定当前输出已经采用该变体。必须核对当前工具实际写出的字段,以及下游实际使用的解析模式。两端都称为同一种格式,也可能在名称长度、分块方式等方面有不同约束。
欧洲生物信息研究所的常见问题说明提醒了名称唯一性与格式截断问题。不过,其网页服务说明中的部分行为与本次本地版本不同,例如本次 Clustal 格式完整保留了这些长名称。因此,文档可以帮助识别风险,最终仍要检查自己运行环境的实际文件。
重复名称控制没有报错,反而说明要自己检查
我们进一步构造了两个标题,首个词都相同,后面的说明文字不同。本地运行成功,并原样保留完整标题。随后将两个标题完全设为相同,运行仍成功,输出也保留了两条同名序列。增加到三条输入后,本次同样没有拒绝重复标识。
这些结果与某些网页入口的输入校验要求不同。它们并不意味着重复名称适合后续分析,而是说明不能把外层网页的校验行为当成每个本地程序的保证。程序没有拒绝,后面的字典解析、样本连接和树标签恢复仍然可能出错。
例如一个常见 FASTA 解析器只取标题的第一个词作为标识。两个完整标题看起来不同,解析后却得到同一个键。如果脚本直接把后读到的序列存入同名字典项,就可能悄悄覆盖前一条。结果从两条变成一条,错误发生在比对之后的自编处理环节。
下面的检查把首个词作为项目约定的标识,在构建字典以前先核对唯一性。它是本项目可以选择的严格输入规则,而不是声称所有软件都使用同样的标题语义。完整说明文字应另存字段,不必挤进身份标识里。
from pathlib import Path
ids = [
line[1:].split()[0]
for line in Path("input.fa").read_text().splitlines()
if line.startswith(">")
]
assert len(ids) == len(set(ids)), "序列标识不唯一"
对转换后的文件也要重复检查,因为原始名称唯一不代表截断后仍然唯一。对于 PHYLIP,应按实际名称字段宽度解析,不能对每行简单按空白分割就认定得到的是完整名称。格式检查应覆盖写出和读回两个方向。
记录失败与验收,比增加参数更有用
本次还测试了向已经存在的输出路径写文件,但没有提供覆盖选项。程序返回失败,并提示拒绝覆盖。这类失败与比对算法本身无关,却容易在批处理里被误当成“分析完成”,因为目录中确实存在一个旧结果文件。
因此,检查文件存在之前,应先检查本次命令的退出状态,并确认结果的生成时间、输入摘要或运行记录。若失败后目录仍有旧文件,不能拿它作为新任务的成功证据。为每次运行分配明确输出目录,通常比依赖人工记忆更可靠。
本次的验收顺序是先检查身份,再检查矩阵,最后检查对应关系。身份检查包括样本数量、名称唯一性和与注释表的一对一连接。矩阵检查包括所有行等长、字符合法和去除空位后序列完整。对应检查则根据任务选择普通比对比较或 profile 投影比较。
Clustal Omega 的便利之处在于同一个工具覆盖了常见的多序列比对与衔接需求。它的边界也很清楚,输出格式能够写出,不代表下游名称解析一定无损。原比对关系得到保留,不代表旧列号没有移动。文件格式正确,不代表输入同源关系已经得到确认。
名称恢复也应设置验收条件。先确认输出中的每个短标识在映射表中恰好出现一次,再确认所有预期样本都能找到,最后比较恢复前后的序列数量。遇到缺失名称时,应查明是过滤、截断还是解析造成,不能按剩余行号自动补配。映射表最好与输入摘要一起保存,使之后换一个输出顺序或者重新运行时,仍能使用同一套可核查的身份关系。
这次实跑最值得带走的习惯,是把“序列内容、身份标识、残基对应、列坐标”当作四件分别核验的事情。只要把这四项记录下来,许多看似随机的样本错配与位点偏移,就能在进入下游分析前被发现。
当这些检查需要嵌入批量比对、建树和结果归档流程时,可结合实际任务了解云生信生物分析服务器服务。
