整理蛋白同源搜索结果时,很多人先看比对里有多少条序列,再看命中概率是否接近百分之百。这两个数字都值得保留,但都不足以独立判断分析是否可靠。大量重复序列未必增加有效信息,高概率局部命中也未必覆盖完整蛋白。
本文实际安装 HH-suite 3.3.0,用原创人工序列运行建模、过滤和模型比对。实验分别改变序列重复程度、比对覆盖与插入列的表示方式,再检查模型文件和原生结果。读者可以用同一脚本重建所有输入,核对每个变化来自哪一步。

先明确这次实际运行了什么
HH-suite 包含多个程序。官方项目说明介绍了基于模型之间比对的同源搜索思路。本次使用其中的建模、过滤和双模型比对程序,没有下载大型公共搜索数据库,也没有进行完整的远缘家族检索评估。
三个实际入口分别是 hhmake、hhfilter 和 hhalign。前者把已有比对转换成模型,第二个筛选已有比对中的序列,第三个比较查询与模板。它们处理的是不同环节,不能把某一步的成功自动当成整个注释流程已经完成。
本次比对位置由人工生成过程直接确定,没有另行运行多序列比对软件。这使我们能够控制每个位置的来源,却也意味着实验没有评估真实序列比对中的错配风险。
软件通过固定容器摘要运行,版本帮助、实际命令和输出均保留。模型文件开头出现的格式标识不应被直接当成程序版本,核对版本时仍应使用实际可执行程序的版本信息。
从一条基准序列构造三种输入
首先生成一条一百二十个氨基酸的基准序列,随机种子固定为二百二十五。第一组只有这一条序列,第二组把它原样复制成二十一条,每条使用不同名称。
第三组保留基准序列,再加入十二条变体。每条变体在二十四个随机位置替换氨基酸,所有序列长度仍是一百二十,位置对应关系保持不变。
这三组输入有明确差别。第一组没有序列之间的变化,第二组增加了记录数却没有增加任何新状态,第三组才提供了不同位置上的变异信息。仅凭文件行数或序列数量,无法区分后两种情况。
我们另外生成十一条模板序列,每条在同一个人工基准上改变三十个位置,用来检查不同查询模型的比对结果。这个模板集合与查询共享设计来源,因此不是独立的真实家族验证集。
建模时把过滤设置写清楚
本次建模显式设置最大成对一致性为百分之百,并关闭按多样性选取序列的相应过滤选项,以便保留重复输入进行对照。
hhmake -i duplicates.a3m \
-o duplicates.hhm \
-id 100 -diff 0 \
-name duplicates
这里的设置用于隔离重复数据的影响,并不是推荐真实项目总是保留全部冗余。若直接采用其他过滤规则,重复序列可能先被删去,就无法分清观察到的变化来自输入还是过滤。
运行后,模型头部记录二十一条输入全部通过过滤。这个信息非常重要,因为它证明后面的有效多样性没有变大,并不是由于程序悄悄只保留了一条。
真实工作中也应同时记录输入数量和通过过滤的数量。只说“用了几千条序列建模”,却不说明实际保留下来的数量,会让模型信息量的描述失去依据。
二十一条复制序列,有效多样性仍然是一
单序列模型的有效多样性显示为一点零,二十一条完全相同序列的模型也显示为一点零。十三条含变体序列的模型则显示为一点九。
| 查询输入 | 通过过滤数量 | 模型显示的有效多样性 |
|---|---|---|
| 一条基准序列 | 1 | 1.0 |
| 二十一条完全相同序列 | 21 | 1.0 |
| 基准加十二条变体 | 13 | 1.9 |
这个结果说明,记录数量与有效多样性并不是同一个指标。为相同序列改名、复制或重复导入,不会自然产生新的进化信息。
十三条不同序列也没有得到十三这一数值。有效多样性概括的是模型所看到的序列状态分布,不能直接解释成“有多少条独立生物样本”,更不能用它替代样本量。
HH-suite 用户指南解释了该指标与局部比对多样性的关系。实际阅读时,除了全局数值,还应检查信息是否集中在少数区域,避免把全局摘要误当成所有位置都同样丰富。
复制输入后,比对分数也没有增加
接下来把三种查询模型分别与同一个模板模型比较,所有其他设置保持一致。下面是多样化查询的实际命令形式。
hhalign -i diverse.hhm \
-t template.hhm \
-o diverse_template.hhr \
-Ofas diverse_template.fas \
-id 100 -diff 0
单序列查询与重复查询的输出完全对应。两者主要比对都覆盖一百二十列,分数均为五百二十五点四一,显示的期望值均约为二点七乘十的负九十八次方。
因此,增加二十份相同记录,没有在这个控制中提高分数或改变主要覆盖。这与模型头部的有效多样性相同互相印证。
含变体查询的分数变为五百四十五点五五,主要覆盖仍是一百二十列。我们可以确认模型输入的变化影响了本次结果,但不能进一步写成“加入不同序列必然提升准确率”。
真实数据里的多样化序列如果包含错误比对、不同结构域架构或错误纳入的家族,也可能使模型偏离目标。增加多样性之前,仍要确认这些序列是否适合共同建模。
显示的一致性没有概括整个模型
这三组主要比对都显示百分之七十五的一致性,与基准序列和模板首条序列之间三十个替换的位置设计相符。然而模型分数在第三组发生了变化。
这个现象提醒我们,结果展示中的序列一致性与模型之间的整体比较不能混作一个指标。模型利用多个位置的状态分布,而展示序列仍然只是理解比对的一种视角。
如果需要研究家族内部变化,应返回完整输入比对,检查每列支持和缺失情况。只截取结果中的一对展示序列,再据此描述整个家族的保守性,可能遗漏大量已经进入模型的信息。
同理,也不应把模型分数直接换算成某条序列的百分比一致性。两个数字回答的问题不同,保留它们各自的来源,比尝试建立一个简单的一一对应关系更有帮助。
高概率命中可以只覆盖查询的一部分
另一个模板只保留基准序列第四十一到第八十个位置,长度四十。我们用一百二十列的多样化查询模型与这个短模板比较。
结果主要比对覆盖四十列,显示命中概率为百分之九十九点九六,一致性为百分之百。这个匹配很强,但只对应查询模型的三分之一。
因此,高概率并没有消除覆盖范围的限制。它不能证明查询的其余八十个位置也具有相同来源,更不能证明整个蛋白已经获得完整的功能注释。
在真实项目中,可以把这样的结果作为一个局部区域的候选证据。如果研究目标要求全长同源、完整结构域架构或完整模板覆盖,就必须另外核对查询和模板两侧的范围。
概率字段不等于功能实验的成功率
这里的概率属于软件对匹配关系的统计判断,不是“该蛋白具有某项功能”的实验概率,也不是它在某个表达体系中发挥功能的成功率。
本例中的短模板由查询基准直接截取,属于刻意构造的强阳性。它能够揭示局部覆盖与命中统计的差别,却不能用于计算真实数据库中的假阳性率。
正式分析应保留命中概率、期望值、分数、覆盖范围及模板说明,再结合研究问题判断证据强弱。只把最高概率一列复制进报告,会使原本可核对的局部信息消失。
如果多个模板对应不同的局部区域,也应分别保存区间。直接把这些局部命中的名称拼成一条完整功能描述,可能把不同来源的证据错误合并到同一个结论里。
过滤一致性与过滤覆盖,作用不同
为了检查过滤过程,我们另建一个六条序列的输入,包括基准、一个完全相同的复制、三条完整变体,以及一条只在中间四十个位置有残基的短片段。
短片段内部另外改变十二个残基,其余八十个位置用缺口表示。这样能够避免把它简单当成一条完全相同的局部复制,从而单独观察覆盖条件的影响。
hhfilter -i filter_input.a3m \
-o id90.a3m -id 90
hhfilter -i filter_input.a3m \
-o id90_cov80.a3m \
-id 90 -cov 80
第一条命令保留五条,完全相同的复制被移除,短片段仍在。第二条保留四条,短片段也被移除。两个结果的成员名单都保存在输出中。
最大一致性条件控制冗余,覆盖条件控制相对于查询的覆盖程度。它们不应被理解成同一种质量筛选,更不能只用“过滤后数量减少”来判断是哪类序列被去掉。
覆盖门槛要服从建模范围
本例中的覆盖门槛移除了短片段,这与我们希望保留完整一百二十列输入的设计一致。但在研究局部结构域时,短序列并不必然是错误数据。
如果输入包含完整多结构域蛋白,而研究只关注其中一个结构域,先明确并提取研究范围,再计算覆盖,通常比对整条蛋白直接设置一个门槛更容易解释。
尤其要核对查询所在的第一条序列。覆盖条件依赖参照序列的范围,如果交换了第一条记录,原先合理的筛选含义可能已经改变。
过滤后应检查成员名单和缺口分布,不能只检查输出文件非空。本例通过名单直接确认复制与短片段分别在哪一步离开,使两个参数的作用可以被逐项复核。
A3M 的大小写不是普通排版
接下来在第二条序列中间插入三个小写氨基酸,其他一百二十个位置保持不变。第一条序列没有这三个插入残基。
默认按 A3M 方式读取后,模型长度仍为一百二十个匹配状态。插入残基没有被当成三个新的匹配列,这正是输入格式表达的信息。
如果把插入改成大写,同时在第一条序列的对应位置补上三个缺口,便得到另一种合法排列。按默认规则建模,模型长度变为一百二十三。
两个文件都能被读取,但模型结构已经不同。因此,把 A3M 全部转成大写并补齐长度,不能当成纯粹的格式美化。它可能改变哪些残基被视为匹配状态。
显式指定参照规则,可以得到另一种模型
对后一份含三个大写插入列的排列,我们再指定按第一条序列有残基的位置建立匹配状态。
hhmake -i uppercase_insert.a3m \
-o first_match.hhm \
-M first -id 100 -diff 0
这次模型长度回到一百二十。因为第一条序列在三个额外位置上都是缺口,这些位置没有成为第一条序列所定义的匹配列。
这个控制说明,模型长度由输入表示与读取规则共同决定。文件后缀不能代替对内容和命令的核对,同样的字符排列换一种解释方式,得到的模型也可能不同。
真实流程在转换格式后,应至少检查模型长度、首条序列、插入位置和过滤数量。若转换前后模型长度异常变化,应先解释变化来源,再进入后续搜索,避免把格式问题带进结果解释。
优点、限制与实跑经验
HH-suite 的价值在于利用多序列比对形成的位置分布比较候选关系,而不只是比较两条原始序列。本次重复与变体对照清楚展示了输入信息量和展示一致性之间的区别。
它的限制也与这一点直接相关。模型质量依赖输入比对及其范围,错误的家族成员、错列或不恰当的插入处理,都可能在建模阶段改变后续结果。
本次运行规模很小,没有测量大型数据库搜索速度,也没有评估远缘同源检出的灵敏度。正文里的数值用于解释输出含义,不能外推为真实蛋白项目的性能或准确率。
实跑最值得保留的习惯,是把过滤前后名单、模型头部和原生比对放在一起看。记录数量解释输入规模,有效多样性描述模型信息,坐标解释覆盖,三者联合才能形成完整判断。
下载复现包并检查三个层次
下载本组三篇复现包,在支持 Docker 的 Linux 环境中执行以下入口。脚本会生成全部人工比对,运行模型构建、过滤及四组模型比对。
python3 225-hhsuite/run.py /tmp/hhsuite-demo
复现时先检查二十一条复制的有效多样性,再比较五条与四条的过滤名单,最后核对一百二十与一百二十三个匹配状态。每一步都有明确输入差异,可以帮助定位自己流程里的信息丢失或模型变化。
当这些模型需要在多批蛋白集合中反复使用并保留输入、版本与结果时,可通过云生信生物信息学分析服务器统一管理可复核的运行环境。
