software

PHAST 实跑,phyloP 得分接近一,为什么不是百分之九十九的保守概率

作者:发布于 2026-11-17约 11 分钟阅读
分数接近一,不是概率。中性基线和参考坐标,共同决定怎样解释轨道。01,先读统计含义,phyloP 得分 0.992,对应 p 约为 0.102。02,核对缺口坐标,240 个比对列,对应 235 个参考位置。03,检查中性基线,缩短基准树后,同一数据更偏向加速。

多物种比对产生的保守性轨道很容易被当成一列可以直接筛选的数字。但分数属于什么统计量、相对于哪个中性模型、对应哪条序列的坐标,都会影响实际解释。

本文实际安装 PHAST 1.9.9,先用独立的人工序列拟合中性模型,再对包含慢速、基准和快速三个区段的比对运行 phyloP。我们同时改变参考坐标和中性基线,检查哪些变化只是位置映射,哪些变化真的改变了评分。

分数接近一,不是概率。中性基线和参考坐标,共同决定怎样解释轨道。01,先读统计含义,phyloP 得分 0.992,对应 p 约为 0.102。02,核对缺口坐标,240 个比对列,对应 235 个参考位置。03,检查中性基线,缩短基准树后,同一数据更偏向加速。
中性基线和参考坐标,共同决定怎样解释轨道

保守性总是相对于某个参照

phyloP 的问题不是简单地问某列是否完全相同,而是比较观察到的变化与中性模型预期是否一致。同样的末端碱基,在总进化长度不同的树上,可能具有不同证据强度。

如果几条序列本来就非常接近,即使某个位点完全一致,也未必出乎预料。相反,在模型预期会累积较多变化的条件下,持续不变可能提供更强的相对保守信号。

PHAST 官方项目包含多种比较基因组分析程序。本次实际使用 phyloFit 拟合树模型,再用 phyloP 评分,避免把同一软件套件中其他方法的输出含义直接套过来。

phyloFit 的官方帮助说明模型文件包含替换过程、背景频率和树等信息。因此,中性模型不是可以随便从另一篇教程复制过来的辅助文件,它参与定义检验的参照。

人工输入与训练数据分开

我们先生成八条各五千列的人工核酸序列,用于拟合中性模型。生成过程采用等频替换模型和已知拓扑,拟合时也使用相应的简单模型。训练数据与后面的待评分数据单独生成。

测试比对共二百四十列,由三个各八十列的区段组成。三段沿相同拓扑生成,但分支变化尺度分别为基准的百分之五、一倍和四倍。它们是慢速、基准和快速的模拟区段,没有真实基因组注释。

另外,我们在第一条参考序列的比对第十一至第十五列放入五个缺口,其他序列对应列仍保留碱基。这个处理专门用于检查参考坐标与比对坐标的差异,不代表真实插入缺失历史的完整模拟。

训练与评分分开,有助于让这个控制实验的基线含义清楚。真实项目中还需要判断用于估计中性的区域是否合适,不能因为一个区域容易提取,就自动认定它没有选择约束。

先拟合模型,再固定基线评分

拟合时给定树拓扑,选择简单的等频替换模型,并保存完整模型文件。示意命令如下,脚本已经提供本次实际使用的树。

phyloFit \
  --tree tree.nwk \
  --subst-mod JC69 \
  --out-root neutral \
  --seed 215 \
  training.fa

模型文件记录了背景频率、速率矩阵和估计枝长。评分之前应检查分类单元名称能否与测试比对对应,以及模型是否适用于当前数据类型。文件扩展名相同,不保证这些条件相同。

本例没有使用上下文依赖模型或位点速率混合,因此结果只用于说明基本关系。更复杂的真实数据需要根据研究对象选择模型,并检查模型失配可能如何影响保守与加速判断。

然后使用似然比方法逐列计算,同时保留保守和加速方向。命令中的输出模式与坐标参数都明确写出,避免依赖默认值造成歧义。

phyloP --wig-scores --method LRT --mode CONACC \
  --refidx 1 --chrom demo --seed 215 \
  neutral.mod testing.fa > reference.wig

分数零点九九二究竟是什么意思

在本次模式下,正分数表示相对保守方向,负分数表示相对加速方向,绝对值与检验值的负十进对数对应。它不是某个位点具有功能或保守状态的后验概率。

第一个测试位置的轨道分数约为零点九九二。更详细的输出给出检验值约零点一零一七八。两者可以通过负对数关系对应,不能把零点九九二写成百分之九十九点二的保守概率。

phyloP 官方帮助区分了输出模式和逐位点统计量。读取现成轨道时,也应先查它使用的方法、模式和构建说明,而不是只看文件名带有保守性字样。

同样,负分数并不是“负概率”。它使用符号标记方向,统计含义仍然来自相应检验。把负值全部改成零,会丢掉加速信息,还可能使后续区域汇总产生偏差。

三个区段的输出有何区别

按参考序列坐标汇总,慢速区段保留七十五个位置,其余两个区段各八十个。少掉的五个位置对应参考序列缺口,后面会单独核对坐标。

慢速区段的平均分数约为零点九六八,全部为正。基准区段平均约为零点一八三,同时包含正负值。快速区段平均约为负一点二四一,其中七十二个位置为负。

模拟区段 参考位置数 平均分数 负分数位置数
慢速 75 0.968 0
基准 80 0.183 23
快速 80 −1.241 72

这些汇总反映了本次模拟中的总体趋势,但不能把均值直接当成区段的显著性。基准区段也不会因为按中性过程生成,就保证每个位置的分数都等于零,有限数据本来就存在随机波动。

慢速区段没有任何单个位点分数达到二。这提醒我们,即使一段区域整体变化很少,单个位点的信息量也可能有限。是否检验整个区域,应根据研究问题决定,不能事后只因为单点不显著就任意拼接区域。

区段检验不能用平均分数代替

我们根据事先设定的三个模拟区段,另外生成 BED 文件,运行区段层面的似然比检验。此时输入区间使用第一条参考序列的坐标,因此三个区间长度分别为七十五、八十和八十。

A    0      75     slow
A    75     155    neutral
A    155    235    fast
phyloP --features blocks.bed --method LRT --mode CONACC \
  --seed 215 neutral.mod testing.fa > regions.txt

区段输出估计的尺度分别约为零点零一八、零点八七一和三点七零九。基准区段的检验值约为零点二零七七,慢速和快速区段的值则小到在本次固定小数格式下显示为零。

这里必须区分显示精度与数学意义。输出写成零,并不表示真实概率恰好等于零,也不应不加处理地对显示字符串取负对数,制造一个无穷大的分数。应保留输出精度限制,并按需要使用适当的结果表示。

快速区段的文本甚至带有负零形式,用来保留加速方向。读取时如果只转成一个没有方向信息的零,可能损失含义。审阅区段结果时,应结合估计尺度和原始输出,而不是只保留格式化后的一列数值。

这次区段边界在生成输入时已经确定,没有用评分结果反过来挑选最显著范围。真实项目中如果先扫描再挑区域,需要考虑这种选择过程和多重检验,不能将探索后的区间视为预先指定的单次检验。

参考序列缺口怎样改变坐标

我们对同一份测试比对分别指定比对坐标与第一条序列坐标。前者输出二百四十个分数,后者输出二百三十五个,与五个参考缺口完全对应。

更关键的是,脚本按照参考序列非缺口位置,从比对坐标结果中取出对应列。得到的数值列表与参考坐标结果逐项完全一致。这说明本次参数改变只调整输出位置集合,没有重新定义保守性模型。

原比对位置 参考位置 说明
1 至 10 1 至 10 缺口前一一对应
11 至 15 无参考碱基位置 参考序列为缺口
16 11 缺口后坐标开始相差五
81 76 第二个模拟区段的起点

因此,不能把轨道的第八十一行自动对应到比对的第八十一列。遇到缺口后,两者已经不再保持同一编号。下游若要关联蛋白或基因组注释,必须继续使用明确的映射关系。

缺少输出位置也不等于该位置的分数为零。零分代表某种统计结果,缺口没有对应参考碱基则属于坐标结构问题,二者不应混为一谈。

参考缺口并不等于整列没有信息

在比对坐标输出中,那五个参考缺口列仍然有分数,因为其余七条序列在这些列保留了碱基。切换到参考序列坐标后,这些列没有对应的参考位置,才从该坐标体系的输出中省略。两种现象分别涉及信息和位置,不能用同一个缺失标记替代解释。

因此,判断某列证据是否充分时,应查看实际覆盖的分类单元和树上提供的信息。序列条数很多,也不意味着每列都具有相同的信息量,更不意味着这些末端可以被视为彼此独立的重复样本。系统发育模型正是用树来表达它们之间的相关关系。

整理结果时,可以将坐标映射与覆盖信息作为独立字段保存。这样遇到低分、缺失输出或区域边界异常时,能够追查是证据不足、参考缺口,还是位置转换出错,而不必从最终轨道图形反推原因。

文件里的染色体名不是自动定位

本次 WIG 使用演示名称,并从一开始记录参考片段。它不是某条真实染色体的完整轨道。仅把名称改成真实染色体名,不能自动补上片段在基因组中的起点与方向。

UCSC 的 WIG 格式说明解释了固定步长的起点和步长字段。与其他区间格式互相转换时,应检查起点采用何种约定,而不是只替换文件后缀。

例如,一段正向片段的第一个参考碱基若对应基因组第一千零一个位置,片段中的第十一位就对应第一千零一十一位。这个偏移来自片段定位信息,不来自保守性分数本身。

负向片段、多区块比对和不同参考版本还需要额外处理。本例只验证单段人工输入的坐标投影,没有声称完成真实全基因组轨道构建。

中性基线变短,分数为何整体偏低

最后一个对照保持测试比对完全不变,只把已经拟合的中性树所有枝长缩短为原来的四分之一。其他模型内容不变,然后重新计算相同参考位置的分数。

基准区段的平均分数从约正零点一八三变成负零点六一一。快速区段的平均分数从约负一点二四一变成负二点九零二,分数不高于负二的位置从二十个增加到五十一个。

原因是缩短后的模型预期变化更少。同样的观测差异,相对于这个更慢的基线就显得更快。结果改变来自参照模型变化,不能解释为测试序列本身突然出现了更多替换。

这个对照不是推荐人为缩短树来增强信号。它展示了基线选择的重要性,保守或加速的判断必须附带参照模型。不同轨道若采用不同物种集合或中性模型,其数值不宜未经说明直接混合排序。

复现与真实项目中的检查顺序

下载本组实跑脚本与输出,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。脚本生成训练与测试输入,完成模型拟合、坐标对照、区段检验和基线敏感性实验。

python3 215-phast/run.py /tmp/phast-coordinate-demo

复现时先检查模型中的名称和替换设置,再核对两种坐标的输出数量与逐项投影,最后比较基线变化后的分数。这样可以区分数据问题、坐标问题和统计参照问题。

PHAST 的优势是能够把多物种比对转化为明确模型下的逐位点或区段证据,使用时则必须认真处理基线和坐标。保守性高也不自动等同于某个具体功能,需要结合其他研究证据解释。

本次实跑最实用的收获是,看到一列分数时先问清三个具体条件,它是什么统计量、相对于什么模型、落在哪套坐标。三者明确后,筛选与可视化才有可靠基础。

当较大范围的多物种比对需要分块评分、模型比较和轨道整理时,可按实际分析规模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 ↗