选择分析最容易误读的结果之一,是把很大的非同义与同义速率比直接当成很强的证据。当分母接近零时,比值可以非常大,但数据未必足以排除中性模型。
本文实际运行 HyPhy 2.5.104 的 FEL 方法,对十二条人工编码序列逐密码子拟合。我们把原始参数、似然比统计量、显著性和多重检验结果放在一起审阅,还保留了数值拟合中出现的异常,避免只展示一张看起来整齐的候选名单。

先决定问题是在基因、分支还是位点
HyPhy 提供多种进化假设检验。选择方法之前,应先明确想知道的是某个基因是否出现过选择,某些分支是否存在相应信号,还是具体哪些密码子有证据。
FEL 关注逐位点的同义和非同义速率,并在指定分支集合中检验两者是否相同。本次测试全部分支,所以讨论的是跨这些分支汇总的持续性信号,不能直接等同于只在少数分支短暂发生的过程。
官方 FEL 方法页说明了其模型与检验对象,方法总览则有助于区分其他方法。不能因为几个程序都输出选择相关结果,就把它们的显著性、概率或证据比混用。
| 研究问题 | 可进一步了解的方法 | 解释时的重点 |
|---|---|---|
| 基因中是否至少有部分位点及分支存在选择 | BUSTED | 基因层面结果不直接指定显著位点 |
| 哪些位点存在持续性选择信号 | FEL | 结合逐位点速率与似然检验 |
| 哪些位点在部分分支存在间歇性信号 | MEME | 模型允许分支间异质性 |
本文只实际运行 FEL。其余方法用于说明问题层级,没有将它们写成已经完成的软件实测。
模拟数据提供了什么,没提供什么
练习使用十二条序列,每条一百二十个密码子。生成程序沿固定树模拟单碱基变化,使用通用遗传密码并排除终止状态。三个连续区段各四十个位点,设置不同的非同义变化相对权重。
这些权重分别为零点一、一和四,帮助形成不同程度的变化模式。生成过程包含随机性,不能预先要求每个高权重位点都被检出,也不能把一次模拟的检出数量当成方法普遍灵敏度。
输入中没有真实物种名称、重组区间或研究结论。本次分析没有进行重组扫描,也没有开展完整的性能评测。它主要用于检查逐位点输出怎样对应输入,以及筛选规则怎样改变结果。
树拓扑作为已知输入提供,拟合过程依照方法估计相应模型参数。我们保留了输入树和程序输出中的树信息,因此不会把初始枝长误写成始终固定的最终估计。
实际运行哪些设置
本次启用位点间同义速率变化,使用默认的单核苷酸瞬时变化模型,不计算逐位点置信区间,也不启用参数自举。报告阈值设为零点一,完整结果写入 JSON。
hyphy fel \
--alignment input.fa \
--tree tree.nwk \
--branches All \
--srv Yes \
--multiple-hits None \
--pvalue 0.1 \
--ci No \
--resample 0 \
--output fel.json
命令行帮助明确提示,小样本场景可以考虑参数自举来评估逐位点的零分布。本次为十二条序列,仍使用渐近检验作为读表练习,因此不能把它包装成已经完成小样本校准的正式结论。
还要区分软件框架版本与分析脚本版本。实际程序输出为 HyPhy 2.5.104,结果中的 FEL 方法描述版本为二点六。二者代表不同层次,复现时应保留完整版本记录,而不是只留一个容易混淆的数字。
官方命令行教程说明了数据、树和分支集合的输入方式。对于批量分析,把关键选项明确写进命令,比依赖交互提示中的默认选择更容易审阅。
JSON 中先看列名,再看数字
本次逐位点结果的表头依次包含同义速率、非同义速率、中性约束下的速率、似然比统计量、原始检验值和参与计算的总分支长度。解析时按列名定位,避免假设不同版本永远使用同一列顺序。
结果还包含分区覆盖信息。本次只有一个分区,覆盖索引从零开始,对应一百二十个密码子。给读者展示时转换成从一开始的密码子编号,而不是直接把数组下标当作生物学位置。
如果输入经历了删除列或分区分析,还要继续映射到原始比对与蛋白位置。结果中的第八十七个密码子,不一定天然等于某个参考蛋白的第八十七位,必须检查上游是否保留完整对应关系。
本例没有做列删除,所以索引转换较简单。脚本仍显式检查表格行数与覆盖长度一致,防止文件读入成功却发生位置错配。
大比值是怎样产生的
第五十八个密码子的同义速率约为零点零零六九,非同义速率约为零点七一四六,比值超过一百。它的原始检验值约为零点一一六六,没有达到本次设定的零点一阈值。
第一百一十四个位点的比值更大,超过一千,但原始检验值约为零点二四一四。这个例子很直接地说明,参数比值大与拒绝中性模型的证据强,不是同一件事。
| 密码子 | 同义速率 | 非同义速率 | 原始检验值 |
|---|---|---|---|
| 58 | 0.0069 | 0.715 | 0.117 |
| 87 | 0.0075 | 3.370 | 0.0054 |
| 94 | 0.0004 | 2.549 | 0.0021 |
| 114 | 0.0084 | 8.503 | 0.241 |
这些速率是当前模型中的估计量,不应直接当成观测替换次数。分母很小时,微小估计变化也可能使比值大幅波动。因此,结果表至少应同时展示两个速率和检验信息。
第十六个位点的两个速率都为零,统计量为零,检验值为一。脚本将其比值记录为空值,而不是把零除零填成零或无穷大。没有可辨识的变化,不等于已经证明了某种特定选择过程。
阈值改变后,名单如何变化
按照原始检验值不超过零点一,并结合非同义速率是否大于同义速率,本次输出十二个正向候选和二十八个负向候选。这里的“候选”只是对应当前规则,不代表完成了全部验证。
把阈值收紧到零点零五,正向候选变成八个。收紧到零点零一,剩下三个。这些数量是从同一次完整输出重新汇总得到,不是反复运行模型并挑选最有利的一次。
随后,我们对全部一百二十个逐位点双侧检验统一执行 BH 调整,再按速率差异标注方向。在调整后的检验值不超过零点零五时,正向候选剩下第八十七和第九十四位,负向候选为十五个。
| 汇总规则 | 正向候选数 | 负向候选数 |
|---|---|---|
| 原始值不超过 0.1 | 12 | 28 |
| 原始值不超过 0.05 | 8 | 22 |
| 原始值不超过 0.01 | 3 | 16 |
| 全部位点统一 BH 调整后不超过 0.05 | 2 | 15 |
表格展示的是分析选择的影响,不能据此事后挑一个能留下更多位点的阈值。正式研究应预先说明筛选标准,并保留完整输出,方便他人理解名单怎样形成。
多重检验的范围不能只包含候选
执行调整时,我们保留了全部一百二十个位点,包括检验值为一的位点。没有先筛选比值大于一的部分,再把那部分当成全部检验集合。
调整的对象是这一组双侧选择检验。通过调整后再标注正负方向,并不自动等于已经为任意单独挑选的方向子集提供了同样的错误率保证。报告中应准确说明处理顺序和检验范围。
如果实际项目同时分析很多基因,还需要决定错误率控制针对每个基因内部,还是整个项目的所有位点。两种问题对应不同的检验集合,不能把“每个文件都做过调整”直接写成全项目统一控制。
调整后的值也不是某个位点为假阳性的后验概率。把它解释成“这个位点有百分之几的概率错误”,会混淆统计含义。本例仅用它展示统一筛选规则,未开展真实基因功能验证。
调整结果怎样从原始值计算出来
脚本先按原始检验值从小到大排序,保留每个位点原来的编号。随后结合总检验数与排序名次计算候选调整值,再从排序末端向前取累计最小值,并将结果限制在一以内。最后把调整结果放回原始位点顺序,保证后续表格仍能正确对应密码子位置。
不能把每个原始值都简单乘以同一个常数,就称为这里使用的调整方法。排序位置与累计最小步骤会影响结果,也使调整后的数值保持应有的顺序关系。读者自行写脚本时,应同时核对计算过程和位置还原,避免统计计算正确但位点标签被打乱。
本次原始输出与派生汇总分开保留。软件产生的原始检验列没有被覆盖,新增结果明确标记为我们在输出后执行的调整。这样便于他人改用不同检验范围或筛选标准,而不必重新猜测原文件是否已经处理过。
修改显著性阈值和执行多重检验调整,都没有重新估计这里的两个速率。若有人得到一张同时改变速率、检验值和候选范围的新表,应先确认是否还改了模型或数据,不能把全部变化都归因于一个筛选开关。
实跑中也出现了需要复核的数值
完整输出中,四个位点的似然比统计量出现负值。其中第九十五位约为负零点零九三,程序给出的检验值为一。理想的嵌套模型最大化比较不应产生负的似然比统计量,因此这是需要关注的数值拟合信号。
不能为了让结果表整齐,就把负号去掉、取绝对值,或者把它解释成某种“负向选择统计量”。统计量的符号与选择方向是不同概念,选择方向应根据两种速率的关系判断。
这类现象提示需要检查优化精度、参数边界或拟合过程。本次保留原始数值,将相关位点列为待复核,没有对它们给出生物学解释,也没有声称所有位点的数值优化都已达到理想状态。
正式项目若结论依赖这样的位点,应先解决拟合问题,再讨论选择信号。多重检验调整不能修复模型计算本身的问题,它只作用于已有检验结果的汇总层面。
比对与进化历史仍然决定结果可信度
逐密码子选择分析依赖正确的读框和同源对应。局部错位、错误拼接或不同来源序列混入,可能制造看似大量的非同义差异。看到一个极端位点时,回到比对查看原始密码子往往比继续调阈值更有用。
如果不同区段具有不同进化历史,用一棵树解释所有区段也可能不合适。是否需要重组分析或分区处理,应根据数据来源和研究背景决定。本次人工输入没有设计重组,因此不能据此评估这方面的处理能力。
候选位点进入功能讨论前,还应检查缺失程度、样本分布、比对可信度和模型适用性。统计候选只是后续分析的起点,不能仅凭速率比或一个阈值推导具体功能改变。
FEL 的优势是逐位点结果透明,可以直接审阅速率、约束模型与检验信息。相应代价是需要逐位点拟合,且小数据中部分速率可能不稳定,不能只提取一个比值列便结束分析。
复现这次结果审阅
下载本组脚本和真实输出,在具备 Python 3、Docker 与公开镜像下载条件的 Linux 环境中执行以下命令。脚本生成原创输入,运行 FEL,并计算完整位点集合上的调整结果。
python3 214-hyphy/run.py /tmp/hyphy-fel-demo
结果文件同时保留原生 JSON、运行日志、所有位点的汇总和异常索引。模拟输入的随机种子固定,软件的数值拟合仍可能受版本与平台影响,复现时应优先核对模型设置及主要判断,而不是只比较最后几位小数。
本次实跑最有帮助的经验是,先读两个速率,再看检验和多重检验,最后回到数据与拟合诊断。这样能够避免把巨大比值、初筛名单或数值异常误写成已经确立的进化结论。
当大量基因需要统一执行选择分析、保留原始输出并开展复核时,可根据实际流程了解云生信生物分析服务器服务。
