software

ASTRAL 实跑,六成基因树支持,为何能得到接近一的局部概率

作者:发布于 2026-11-17约 11 分钟阅读
支持六成,概率接近一。重复输入能抬高局部概率,却没有增加独立证据。01,手数四元组,十棵树支持频数为 6、3、1。02,比较有效数量,重复输入提高 EN,星形树对照不增加信息。03,区分三种量,支持比例、局部概率、溯祖枝长分别解释。

把多个基因分别建树后,最常见的情况不是所有树完全一致,而是不同基因支持不同关系。ASTRAL 可以利用这些冲突推断物种树,但输出中的四元组支持、局部后验概率和分支长度,回答的是不同问题。

本文实际运行经典 Java 版 ASTRAL 5.7.8,用十棵人工基因树构造可手工核对的例子,再加入重复输入、未解决关系和缺失分类单元的对照。重点是弄清一个很容易误读的现象,支持比例没有增加,局部概率却可以明显上升。

支持六成,概率接近一。重复输入能抬高局部概率,却没有增加独立证据。01,手数四元组,十棵树支持频数为 6、3、1。02,比较有效数量,重复输入提高 EN,星形树对照不增加信息。03,区分三种量,支持比例、局部概率、溯祖枝长分别解释。
重复输入能抬高局部概率,却没有增加独立证据

先明确输入对象是什么

ASTRAL 的主要输入是一组已经推断好的基因树,而不是直接从序列比对开始计算。上游每棵树的比对质量、模型选择、分类单元覆盖和基因识别都会影响下游结果。因此,物种树程序并不会自动修复所有基因树错误。

官方项目说明介绍了基于四元组一致性的物种树推断。本文使用的是经典 Java 实现,版本和容器摘要固定,不把其他实现或多拷贝扩展的行为混在一起介绍。

理解四元组可以先从四个物种开始。对四个名称,完全二分的无根关系只有三种。将甲乙放在一侧,甲丙放在一侧,或甲丁放在一侧,分别对应三个候选分割。这个规模足够小,可以直接数清每种关系出现多少次。

当分类单元更多时,程序围绕物种树的某条内部分支,从四侧类群中组合出四元组,再汇总基因树提供的信息。此时某个分支的支持比例不应草率理解为“全部基因中,有这么多棵完整树完全相同”。

构造一个能手算的基准

我们手工生成十棵树。六棵支持甲乙与丙丁分组,三棵支持甲丙与乙丁分组,一棵支持甲丁与乙丙分组。所有树都包含相同四个名称,没有输入序列,也没有模拟真实群体历史。

((A,B),(C,D));   # 6 棵
((A,C),(B,D));   # 3 棵
((A,D),(B,C));   # 1 棵

实际输入文件只保留合法 Newick 树,不带上面用于说明数量的注释。每棵树单独一行,避免把一个基因的多个结果误拼成不同基因。

基准运行使用完整分支注释,并在这个四分类单元的小例子中启用精确搜索。完整命令如下。精确搜索是为了简化控制实验,不应据此建议大型数据也直接照用。

astral -i ten.tre -o ten.out.tre -t 2 -x

推断结果选择了甲乙与丙丁的分组。其三种四元组支持分别为零点六、零点三和零点一,频数分别为六、三和一,有效基因数为十。这些值都能直接从输入核对。

支持比例与局部概率为何不同

同一条分支的局部后验概率约为零点八六二九,而不是零点六。支持比例描述输入四元组如何分配,局部概率则在相应模型及局部假设下比较三种候选关系,计算方式不同。

因此,看到一个概率高于原始支持比例,并不一定是程序错误。关键是明确标签代表哪种量,以及其计算依赖哪些假设。将概率直接写成“百分之八十六的基因支持”,会改变原始结果的含义。

官方教程的分支注释部分解释了各字段。实际使用时,我们也保留本次版本的命令帮助,避免仅凭其他版本的截图辨认标签。

字段 本例数值 应怎样理解
q1 0.6 当前分支的四元组支持比例
q2、q3 0.3、0.1 两种替代关系的支持比例
f1、f2、f3 6、3、1 本例对应的支持频数
pp1 0.862945 当前关系的局部后验概率
EN 10 该分支的有效基因数
QC 1 本例围绕该分支定义的四元组数

四分类单元的例子使这些频数具有直观整数含义。推广到更多物种、缺失数据和未解决基因树时,需要按软件对分支信息的汇总方式解读,不能把这张小表的所有简化关系当成普遍规则。

重复十遍,概率几乎变成一

第二个实验不增加新的基因,只把原来的十行树完整复制十遍,形成一百行输入。三种关系仍保持六比三比一,四元组支持比例完全不变。

但是,程序读取的一百行被计入了更大的有效数量。该分支的局部概率变为约零点九九九九九九八六。若只看最终概率,结果似乎比原来有把握得多,但实验实际上没有增加独立的观察。

输入 行数 q1 EN pp1
原始十棵树 10 0.6 10 0.862945
同一批复制十遍 100 0.6 100 0.999999862
原始输入加二十棵星形树 30 0.6 10 0.862945
原始输入加二十棵三叶树 30 0.6 10 0.862945

这并不是建议通过复制输入来提高结果。相反,它揭示了一个数据管理风险,程序根据收到的输入计算,不会替研究者判断这些行是否代表独立证据。

如果一个基因做了一百次重采样,得到一百棵树,就不能在没有对应处理的情况下把它们当作一百个独立基因。位点重采样反映同一基因树的不确定性,与新增独立基因所提供的信息不同。

类似地,同一原始区域经不同筛选生成的多个文件,可能仍然高度相关。是否应该作为独立基因输入,取决于研究设计与方法假设,而不是文件夹里恰好有多少个树文件。

加入更多树,为什么有效数量没增加

第三个实验向原始十棵树加入二十棵四叶星形树。星形树没有解析出三种候选分割中的任何一种,因此在本例的目标分支上,没有增加已解决四元组的信息。

第四个实验加入二十棵只含甲乙丙的三叶树。它们缺少丁,无法形成当前四个物种的完整四元组,同样没有增加这条分支的有效信息。两组结果的有效基因数和概率都保持基准值。

这个结果解释了为什么不能只报告“共用了多少基因”。一个数据集可以包含很多树,但对某条关键分支真正有信息的基因远少于总数。不同分支的覆盖情况也可能不同。

本例的缺失恰好使新增树对目标四元组完全没有贡献。真实多物种数据中,一棵含缺失的树仍可能对某些分支提供信息,因此不能把“有缺失”简单等同于“整棵树无用”。

对于低支持分支,还应检查它是缺少可用基因、不同关系之间冲突强,还是上游基因树本身分辨率不足。只凭一个低概率值,无法区分这些原因。

分支长度为何不是零点五一

在原始十棵树上,默认输出的目标内部分支长度约为零点三八三。若按照四元组模型的简单最大似然关系计算,支持比例零点六对应的长度约为零点五一零八,两者并不相同。

原因在于本次版本默认使用带先验的长度估计。实际命令帮助说明,参数默认值为零点五,将其设为零可以得到最大似然分支长度。我们据此另跑一组对照,而不是仅靠公式猜测。

astral -i ten.tre -o ten_ml.out.tre -t 2 -x -c 0

这次输出的长度为零点五一零八二五六,与本例按最大似然关系计算的值一致。默认结果与它的差异不是单位换算,而是估计方式不同。

还应注意,同一个参数同时影响局部概率。本次改为零后,局部概率约为零点九零七二,也不同于默认值。因此,报告中不能只说“调整了枝长显示”,而应该保留实际分析参数。

经典 ASTRAL 这里的内部枝长按溯祖单位解释,不能直接当成年数,也不能当成序列替换树上的每位点替换次数。要转换到其他尺度,需要额外信息及适当方法,画图时换一个轴标签并不能完成转换。

给候选树打分能回答什么

我们另外输入两棵候选树,一棵支持甲乙与丙丁,另一棵支持甲丙与乙丁。使用评分模式后,前者目标关系的支持比例为零点六,后者为零点三,符合手工输入。

astral -i ten.tre -q candidate_ab.tre -o score_ab.out.tre -t 2
astral -i ten.tre -q candidate_ac.tre -o score_ac.out.tre -t 2

这种检查适合核对特定分支或候选关系如何得到支持。不过,对候选树打分与重新搜索最优树不同。给出一个文件让程序评分,不意味着程序已经验证该文件是全局最优结果。

还发现一个容易影响读表的小细节,两种替代关系的编号可以随局部表示和枝条顺序改变。基准推断树中的第二、第三比例,在另一种等价书写中可能交换顺序。应将字段映射到实际分割,再比较数值。

输出 Newick 的括号位置也不等于生物学定根证据。本例关注无根关系,不能因为某个名称显示在最外侧,就宣布它是祖先或外群。展示顺序和推断对象必须分开解释。

两种替代关系不对称,能说明什么

本例的替代频数是三和一,而不是完全相等。读者可能马上联想到某种特殊进化过程,但这里的数值只是我们手工写下的输入,不是对自然过程的观测,不能据此给出真实生物学解释。

即使面对真实数据,也应先考虑基因数量、估计误差、缺失模式和上游筛选。少量基因中的频数差异,可能包含明显随机波动。不能只看到两个比例不同,就跳过其他检查,直接认定存在某一种基因交流过程。

四元组冲突是一条需要继续分析的线索,而不是原因标签。若关键结论依赖某种机制,应使用与问题对应的模型、合适的统计检验及独立证据,并说明基因树不确定性如何进入后续分析。

同样,高局部概率也没有把所有替代解释从研究中排除。它是在当前方法条件下对局部候选关系的评价,不是对整套数据处理过程和进化机制的一次全面验收。把这个边界写清楚,能让结果讨论更准确。

正式项目怎样组织上游检查

开始合并基因树前,应先整理每个基因的来源、序列筛选、比对和建树方法。保留一张基因到树文件的映射表,有助于发现重复、空文件和同一基因的多个版本。

名称也需要统一。相同物种在不同树里拼写不同,会被当成不同标签。不同个体使用同一个名字,则可能丢失需要保留的层次。多样本映射与基因拷贝问题,应按所用实现支持的方法处理,不能仅靠批量重命名掩盖。

对上游低可信度分支是否收缩,需要预先确定原则并保留敏感性比较。收缩会改变基因树的分辨率及可用四元组信息。本次星形树实验说明了极端情况,却没有给出适合所有项目的统一阈值。

最终审阅时,可以把关键分支的支持比例、替代关系、有效基因数和局部概率放在一起。这样更容易区分“很多基因中存在稳定多数”与“只有少数基因提供了信息”等不同情况。

如何复现这组控制

下载本组脚本与真实输出,在具备 Python 3、Docker 和公开镜像下载条件的 Linux 环境中运行以下命令。脚本会生成全部原创树文件,并保存每次命令和原生输出。

python3 212-astral/run.py /tmp/astral-quartet-demo

复现时先从输入手数六、三、一,再检查三种比例。随后比较重复输入前后的有效数量与局部概率,最后比较默认与零参数设置下的枝长。这样能够把输入统计、模型计算和输出解释逐层对应起来。

ASTRAL 的优势是能利用多个基因树中的分歧信息组织物种树推断,局限是结果仍依赖基因树质量、数据设计与模型条件。它输出的高概率需要结合来源和有效信息判断,不能通过重复文件或混用样本层次来增强。

本次实验没有真实物种结论,也没有模拟完整的多物种溯祖过程。它的价值在于提供可手工核对的对照,让读者在面对大规模输出前,先知道每个标签究竟代表什么。

当上游逐基因建树、不同筛选方案和物种树比较需要批量运行时,可根据实际流程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 ↗