software

RevBayes 实跑,一个赋值符号用错,参数变化为何没有进入似然

作者:发布于 2026-11-17约 11 分钟阅读
参数变了,似然为何没变。通过赋值对照和独立积分核验模型是否正确连接。01,先查依赖,动态矩阵随参数更新,固定矩阵保持初值。02,再跑采样,两组固定树 HKY 参数采样。03,独立核验,网格积分均值 3.7422,与采样相符。

模型脚本能够运行,并不代表它表达了预期的统计关系。使用 RevBayes 时,普通赋值和确定性赋值之间只有符号差异,却可能决定一个参数的变化是否真正传递到序列似然。

本文实际运行 RevBayes 1.4.2,先用一个固定树实验检查这种依赖,再对替换参数执行两组独立采样,最后用原创 Python 程序计算同一模型的一维数值积分。这样既能看到错误发生在哪里,也能检验正确模型的输出是否合理。

参数变了,似然为何没变。通过赋值对照和独立积分核验模型是否正确连接。01,先查依赖,动态矩阵随参数更新,固定矩阵保持初值。02,再跑采样,两组固定树 HKY 参数采样。03,独立核验,网格积分均值 3.7422,与采样相符。
通过赋值对照和独立积分核验模型是否正确连接

模型脚本描述的是依赖关系

RevBayes 使用 Rev 语言组织概率模型。常量、由上游对象确定的变量,以及服从某种分布的随机变量,承担不同角色。模型计算需要知道这些对象之间的关系,才能在参数改变时更新受影响的部分。

普通赋值会把表达式当前的值保存下来。确定性赋值会保留计算关系,使下游对象随上游变化。随机赋值则声明一个服从指定分布的节点。三者不能仅按“看起来都把右边交给左边”来互换。

官方语言教程解释了这些赋值方式。初学时最值得做的练习,是主动改变一个上游变量,观察下游是否按预期更新。这个小检查比先运行很长的采样更容易定位建模错误。

k <- 1.0
q_live := fnHKY(k, pi)
q_frozen <- fnHKY(k, pi)

这里两种速率矩阵最初使用同样的参数,因此初值相同。区别在于,第一种保留了对上游参数的依赖,第二种保存了当时计算出的矩阵。只有实际改变上游,才能观察到差异。

本次人工数据怎样构造

练习使用四个分类单元,每条序列一千二百个位点。固定树由两个姐妹组构成,所有分支的替换长度均为零点一。根部序列按四种碱基等频生成,沿分支用连续时间过程模拟变化。

模拟时把转换交换率相对于单类颠换交换率设为四,同时将每个位点的平均离开速率标准化为一。程序通过指数等待时间决定何时发生替换,再按相对权重选择目标碱基。这允许同一分支上出现多次变化,不是简单地按一个比例随机改字母。

因此,输入来自已知参数的模拟模型,而不是人为把每四个变化硬凑成某个固定比例。有限长度序列存在随机性,拟合结果不必精确等于生成参数。这一点对于理解后面的后验均值很重要。

本次拟合采用 HKY,固定碱基频率和树,只估计转换与颠换的相对交换率参数。等频条件使该模型在这里可以用较简单的解析转移概率进行独立计算,为后续核验提供了方便。

先做依赖关系的直接对照

脚本建立两个序列似然对象,分别引用动态矩阵和已经固定的矩阵,然后将同一份比对绑定到二者。接着把上游参数从一改为八,重新读取两个对象的对数概率。

检查位置 参数为 1 参数改为 8 是否随参数改变
动态矩阵对应的对数似然 −4291.2 −4213.1 是
固定矩阵对应的对数似然 −4291.2 −4291.2 否

两者最初相同,排除了输入或初始模型不同造成的干扰。改变参数后,动态对象的似然发生明显变化,固定对象仍保持原值。这正是后者没有保留上游依赖关系的表现。

这个实验没有依靠后验轨迹推测错误,而是直接检查计算路径。如果一个本应影响序列模型的参数改变后,相关似然完全不变,就应追查该参数是否被复制成常量、是否连接到正确对象,或者当前数据是否确实对它不敏感。

不能把“不变”一律认定为程序故障。有些参数只进入先验,有些变化在特定数据下影响很小。应根据模型结构事先写下预期,选择差异足够明显的控制值,再解释观察结果。

绑定观测数据是另一项独立检查

声明一个序列分布对象后,还要把实际比对绑定到该对象。本次使用绑定操作,并通过读取结果确认四条序列及一千二百个位点已经进入分析。

Q := fnHKY(kappa, pi)
phylo ~ dnPhyloCTMC(tree=tree, Q=Q, type="DNA")
phylo.clamp(data)

这里的随机节点表达序列在树和替换模型下的分布,绑定操作把它作为观测数据使用。数据文件读进内存,与数据真正连接到似然,是两个不同步骤。检查脚本时应沿着实际用于构建模型的对象核对。

序列分布的官方说明给出了读取、绑定以及计算对数概率的示例。正式分析还应核对树上的分类单元标签与比对标签,避免把名称对应关系的问题误当成采样问题。

也不要把“省略绑定”简单解释为合法的先验抽样。未绑定的随机对象可能涉及模拟数据及不同的计算关系,具体含义取决于整张模型图。要开展先验分析,应明确构建相应流程,并核对实际参与计算的节点。

正确模型中的先验、移动和监视器

完成依赖检查后,我们另建正式的固定树小模型。待估参数采用对数正态先验,对数尺度中心为三的自然对数,标准差为零点七。这是练习所选的假设,不能当成所有数据都适用的默认值。

先验之外,还需要为该参数添加采样移动。声明一个随机变量,只是定义其概率分布,不等于已经为它配置了高效探索机制。本文使用尺度移动,并在预热阶段按指定间隔调整。

kappa ~ dnLognormal(ln(3.0), 0.7)
moves = VectorMoves()
moves.append(mvScale(kappa, lambda=1.0, weight=1.0))
monitors = VectorMonitors()
monitors.append(mnModel(filename="chain1.log", printgen=10))
mymodel = model(phylo)
analysis = mcmc(mymodel, monitors, moves)
analysis.burnin(generations=1000, tuningInterval=100)
analysis.run(generations=10000)

监视器决定保存哪些信息以及保存频率。它影响结果是否方便审阅,但不会因为多保存几列就自动改善采样。本例保存后验、似然、先验和参数,便于检查目标分布与实际轨迹。

两组运行分别使用不同种子,各先进行一千代预热,再运行一万代,每十代写出一次记录。每组最终保存一千零一条状态,包括正式运行的起点。本文报告的均值使用这些记录,没有再额外删去一段样本。

两组采样输出了什么

第一组参数均值约为三点七四六五,样本标准差约为零点三一九五。第二组均值约为三点七三九五,样本标准差约为零点三一二三。两组都在生成值四附近波动,但中心没有精确等于四。

这是可以理解的。生成参数决定数据的概率机制,观测到的只是一份有限长度模拟数据,拟合时还加入了先验。后验估计既受这份数据影响,也受所设模型与先验影响。

方法 参数均值 参数分布的标准差
第一组采样 3.7465 0.3195
第二组采样 3.7395 0.3123
独立网格积分 3.7422 0.3201

表中的标准差描述参数分布的宽度,不是均值的蒙特卡洛标准误。若要讨论均值估计还存在多少采样误差,需要考虑轨迹相关性和有效样本量,不能直接把标准差除以保存记录数就作结论。

两组中心相近是一条有用证据,但不是通用的收敛证明。本例只有一个自由参数和固定树,不能据此认定更复杂的树模型运行同样代数也足够。

用独立计算核对目标分布

为了让核验不止停留在“两次运行差不多”,我们根据等频模型的解析转移概率,另外实现了四叶树的剪枝计算。它从每个位点的末端碱基往祖先节点累加,再按根部频率求和,得到该列的概率。

计算过程中合并相同列型,并用出现次数对其对数概率加权。随后加入与 RevBayes 相同的对数正态先验,在参数零点二到十二的区间上,以零点零一为间距进行数值积分。

网格结果的均值约为三点七四二二,标准差约为零点三二零一,与两组采样相符。网格两端的相对权重极低,说明在本次范围内没有明显截掉主要概率质量。不过这仍是有限网格的数值近似,不能称为精确解析后验。

我们还从每组日志间隔抽取状态,使用日志中的参数值重算似然。最大绝对差不到万分之五,与日志显示精度相符。这个核验比只比较最终均值更细,因为它同时检查了参数值与似然计算的对应关系。

独立程序只适用于这里的等频、固定树和单参数条件。若改成自由碱基频率、分区模型或复杂树过程,必须重新推导对应计算,不能继续沿用本例公式作为通用答案。

交换率参数不等于观测到的变化次数比

HKY 的参数通过速率矩阵定义替换过程。官方函数文档说明了它与碱基频率共同构造矩阵的方式。因此,对参数的解释应回到模型,而不是直接统计比对中两类差异的数量。

在等频情形下,一个碱基有一种转换目标、两种颠换目标。单类交换率的相对大小,与所有转换和所有颠换累计次数的比值,并不是同一件事。再考虑重复替换和未知祖先,末端序列差异的比例还会进一步偏离直接的事件统计。

这也是为什么不能看到输入中转换差异大约占某个比例,就要求后验参数必须等于那个比例。参数、潜在替换历史和最终观测差异属于不同层次,模型计算负责连接它们。

本例通过已知生成过程与独立似然核验,说明软件估计的对象与脚本设定一致。它没有评估真实数据是否适合该替换模型,也没有比较不同模型的证据。

排错时按什么顺序推进

可以先固定树和多数参数,只检查数据是否正确进入似然,再改变一个参数验证依赖。确认概率计算符合预期后,添加相应移动和监视器,运行短链观察参数是否实际变化。

如果参数有变化而似然不变,检查对象连接和数据敏感性。如果参数始终不变,检查是否被固定、是否缺少移动、是否频繁拒绝。如果不同运行给出明显不同区域,再考虑探索不足或模型具有多个重要区域。

这种逐步扩展的方式能把语法错误、模型错误和采样问题分开。一次加入很多自由参数时,即使轨迹异常,也很难判断究竟是哪一层出了问题。

RevBayes 的优势是模型关系可以显式表达和组合,使用者能够追查每个假设如何进入计算。相应的学习成本是,需要理解概率图、变量类型与采样配置,不能只把示例脚本中的文件名替换一下就视为完成分析。

复现入口与结果边界

下载本组实跑脚本和记录,在具备 Python 3、Docker 和镜像下载条件的 Linux 环境中运行以下命令。脚本会重新生成原始模拟数据、依赖对照、两组采样和独立网格核验。

python3 211-revbayes/run.py /tmp/revbayes-dependency-demo

复现时先检查四个依赖对照数值,再检查采样列名和记录数,最后比较网格结果。完整结果保留了软件输出、模拟参数与计算方法,便于区分实际观察和理论解释。

这次实跑最直接的经验是,先证明参数确实影响了它应该影响的概率项,再讨论运行多久、保存多少样本以及怎样汇总后验。计算关系正确,是后续诊断有意义的前提。

当模型扩展后需要管理多组独立采样与参数比较时,可按实际分析需求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 ↗