software

PAML 实跑,删除三个密码子后似然变好,为什么不能据此宣布模型更优

作者:发布于 2026-11-17约 10 分钟阅读
似然变高,未必模型更优。先核对保留密码子,再比较模型与参数。01,三个优化起点,不同 omega 初值,得到相同报告结果。02,清理规则对照,自动与手工删除,均保留 177 个密码子。03,比较条件要一致,改变分析列后,不能直接作模型优劣检验。

用 codeml 批量分析编码序列时,结果表里常常只保留对数似然和一个选择压力参数。这样的表很简洁,却容易遗漏决定比较是否成立的条件,尤其是不同运行实际保留了多少密码子。

本文实际运行 PAML 4.10.10,用八条原创模拟序列检查三件事。不同初始值是否得到相同估计,缺口与不确定字符会删除哪些列,以及为什么删除后更高的似然不能直接作为模型优越性的证据。

似然变高,未必模型更优。先核对保留密码子,再比较模型与参数。01,三个优化起点,不同 omega 初值,得到相同报告结果。02,清理规则对照,自动与手工删除,均保留 177 个密码子。03,比较条件要一致,改变分析列后,不能直接作模型优劣检验。
先核对保留密码子,再比较模型与参数

codeml 估计的对象先说清楚

PAML 包含多种基于系统发育模型的分析程序。本文使用 codeml 的密码子模式,将编码序列按三个碱基组成的状态处理,而不是把每个核苷酸位置都当成独立同类观测。

我们选择最简单的一比率模型,让同一个选择压力参数用于全部分支和位点。它能够概括这一模型条件下非同义与同义替换率的相对关系,但不能告诉我们某个具体密码子是否受到正选择。

官方项目仓库提供程序与更新记录,官方手册解释控制文件和模型选项。实际报告时应同时记录程序版本、模型设置与输入处理,不能只写“使用 PAML 分析”。

本文没有进行分支位点正选择检验,也没有输出真实基因的候选位点。所有结果都来自已知生成方法的人工数据,用于验证分析流程和读表方法。

输入长度为什么要按密码子检查

本次生成八条序列,每条一百八十个密码子,即五百四十个碱基。使用通用遗传密码,生成过程中排除终止状态,沿固定树模拟单碱基变化。转换的相对权重设为二,非同义变化的相对权重设为零点三。

这是一份可复现的人工编码比对,没有真实样本来源。输入的树拓扑固定,模型拟合时估计分支长度及相关替换参数。模拟分支上的时间参数不直接等于软件最终报告的所有枝长数值。

准备真实输入时,序列总长能被三整除只是最低条件。第一列还必须对应正确读框,相同密码子位置需要表达同源关系。整体长度合法,但中间局部错位,仍然可能让模型把错配解释为大量非同义变化。

通常应先检查编码区、翻译产物和终止密码子,再决定怎样生成密码子比对。基因预测、剪接结构整理和同源关系判断属于上游工作,不能指望 codeml 在拟合时自动修复。

如果研究对象使用不同遗传密码,还要检查编码表。某个三联体在通用密码下是终止状态,在另一套密码下可能有其他含义。软件能够读入字符,并不代表它使用的生物学编码规则已经正确。

最小控制文件中的关键设置

下面列出本次控制文件的主要字段。完整脚本同时生成输入和树文件,避免读者只复制参数却遗漏配套数据。

seqfile = input.phy
treefile = tree.nwk
outfile = result.txt
runmode = 0
seqtype = 1
CodonFreq = 2
model = 0
NSsites = 0
icode = 0
fix_kappa = 0
kappa = 2
fix_omega = 0
omega = 1
cleandata = 1

这里使用给定树的拓扑进行模型拟合,选择密码子数据和一比率模型。密码子频率设置采用按三个密码子位置分别估计核苷酸频率的方式。它与所有密码子等频的假设不同,因此属于需要保留的模型信息。

最容易混淆的是初始值与固定值。当是否固定的选项为零时,后面的数值作为优化起点使用,不是要求最终结果必须等于这个数。只有结合固定开关,才能知道某个参数究竟在估计还是保持不变。

本文分别把选择压力参数的初值设为零点一、一和三。其余数据及配置保持一致,三次运行放在不同目录,防止默认中间文件覆盖造成混淆。

codeml codeml.ctl

多个初值得到怎样的结果

三组原始完整数据的运行均正常完成。在输出所显示的精度下,对数似然均为负三千四百九十五点九九五九九,选择压力参数均约为零点三二三八九,转换参数约为二点零七零二六。

这说明本次三个起点收敛到相同的已报告结果,而不是初值为三就会自动得到大于一的估计。生成时的相对非同义权重为零点三,估计值接近它,也为这份人工输入提供了一个合理性检查。

但是,多个起点相同并不是所有复杂模型都已找到全局最优的证明。一比率模型较简单,更复杂的位点混合或分支位点模型可能具有更困难的优化结构,仍需要根据模型与输出进行检查。

比较重复拟合时,应先确认输入、参数化和约束一致,再比较最终似然和关键参数。如果同一模型不同起点给出明显不同的似然,应该保留并调查差异,而不是随便挑一个看起来符合预期的结果。

本次没有把运行秒数用来推断大型任务的性能。小型控制实验的主要用途是发现配置和解释问题,不能替代真实规模下的资源测量。

加入三个问题密码子

第二部分从同一份完整比对出发,只修改三个位置。甲序列第十个密码子的第一个碱基改成不确定字符,乙序列第三十个密码子改成三个缺口,丙序列第五十个密码子的最后一个碱基改成问号。

其他序列在这些位置仍保留原来的完整密码子。这样可以检验软件删除的是单个字符、单条序列中的部分,还是整个多序列比对中的对应密码子列。

开启自动清理后,实际参与分析的密码子数量从一百八十变为一百七十七。接着,我们从原始完整数据中手工删除第十、第三十和第五十个密码子,再运行相同模型。两组最终似然与参数在显示精度下完全一致。

这个对照比只阅读“删除缺口”的提示更明确。即使只有一条序列在某个密码子中含有问题字符,自动删除也影响全部序列的该密码子列,而不是仅移除那个字符。

数据处理 保留密码子 对数似然 选择压力参数
原始完整比对 180 −3496.0 0.324
含问题列,自动删除 177 −3432.8 0.323
手工删除对应整列 177 −3432.8 0.323
含问题列,按缺失处理 180 −3487.5 0.322

表格为便于阅读作了四舍五入,完整输出保留在复现包中。有效长度同时通过主结果和中间汇总文件核对,不能只依赖原始输入头部写着的五百四十个碱基。

保留缺失与删除整列的区别

将清理选项设为零后,本次运行保留一百八十个密码子位置,以缺失或不确定状态处理相应字符。这样可以继续利用同一列中其他序列的信息,但并不意味着原来未知的碱基被准确恢复了。

缺失处理是在模型允许的状态中进行相应概率计算,与补写一个确定碱基不同。把缺口随意替换成某个碱基,可能人为制造或抹去替换,不能视为等价的数据清洗。

也不能由本例得出保留一定优于删除的结论。如果问题来自真实的同源性不确定或错位比对,仅将字符设为缺失可能仍未解决相邻区域的错误。是否保留,需要回到序列质量和研究问题判断。

对于批量基因分析,建议同时保存原始密码子数、最终有效密码子数以及删除位置映射。只有保留映射,后续位点结果才能正确对应到原始蛋白或基因组注释。

为什么更高的似然不是模型改进

删除问题列后,对数似然从约负三千四百八十七变成负三千四百三十三,看起来明显增大。但两次运行所对应的观测数据不同,一次包含一百八十个位置,另一次只有一百七十七个。

似然是针对给定观测计算的。改变观测数量或删除某些列,会改变需要解释的数据集合。因此,不能把这两个数值直接代入常规模型比较,声称自动删除方案获得了显著更好的拟合。

似然比检验通常要求在相同观测基础上比较具有适当关系的模型,并使用与该检验相符的参考分布。参数数目相差多少,不足以单独决定检验有效,边界约束等条件也需要考虑。

本次只做处理方式的控制,没有计算这种跨数据集合的显著性。较稳妥的报告方式是列出数据保留量、参数估计与敏感性变化,说明不同处理是否影响研究结论,而不是给出没有依据的优越性排名。

如果确实要比较两个候选模型,应先固定共同分析的数据集,再明确各模型的自由参数和约束。这样得到的差异才对应模型问题,而不是混合了数据删除与模型变化。

选择压力参数小于一能说明多少

一比率模型给出的约零点三二,是在所设模型下对整棵树和全部位点共同使用的估计。它并不证明每条分支、每个位点都具有相同的真实选择过程,也不能排除局部或阶段性的正选择。

反过来,某个估计大于一,也不能跳过数据质量和统计检验直接宣布适应性进化。比对错误、同源关系判断不当、模型不适合以及估计不稳定,都可能影响结果。

同义与非同义替换率还涉及各类变化机会的标准化,不能直接用末端序列里数到的两类差异总数相除。模型估计考虑未直接观察到的历史变化,因此与简单计数属于不同层面的量。

当研究问题是特定分支或特定位点时,应选择能表达该问题的模型,并明确检验对象。使用更复杂模型之前,先把读框、遗传密码、缺失处理和基础拟合检查清楚,通常能减少后续难以解释的异常。

批量结果表应该多保留哪些信息

一个可审阅的结果表,至少需要能追溯到基因标识、输入文件版本、有效长度、树及模型设置、优化初值、最终似然和关键参数。若保留了运行状态,也应同时检查输出完整性。

仅凭退出码为零仍然不够。应确认主结果中存在期望的模型段落和最终估计,输入分类单元数量与预期一致,且没有把旧文件误当作本次结果。每组独立目录可以降低这种风险。

本次初次尝试常见帮助参数时,程序把它当成控制文件路径并报错。后续改用实际控制文件执行,再通过日志中的版本和完整结果验收。这个经历说明,老式命令行程序的接口习惯可能与常见工具不同。

多起点运行尤其应保留各自记录。若只留下“最优结果”而没有起点和其他拟合记录,后来很难判断是稳定重复得到的结果,还是从多个异常输出中挑选了一次。

复现与实际经验

下载本组实跑脚本和真实结果,在具备 Python 3、Docker 与镜像下载条件的 Linux 环境中执行下面的命令。脚本会重新生成完整数据、三个缺失控制和全部控制文件。

python3 213-paml/run.py /tmp/paml-clean-data-demo

复现时先比较三个初值,再比较自动删除与手工删除,最后检查按缺失处理的有效长度。三层检查分别对应优化稳定性、清理规则和比较条件,不需要依靠真实基因的预期结论来判断是否正确。

PAML 的优势是能够通过明确模型研究编码序列的替换与选择问题,使用上的要求则是认真核对数据条件和模型含义。本次最值得保留的经验是,结果中的似然和参数必须与实际分析的数据集合一起阅读。

当大量基因需要独立目录、多起点拟合和统一结果审阅时,可按实际工作量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 ↗