software

CD-HIT 实跑五组对照,90% 聚类为什么会把片段分给较远的代表序列

作者:发布于 2026-11-17约 11 分钟阅读
90% 聚类,片段去了哪个簇。五组对照,检查一致性分母、覆盖范围与代表归属。01,100% 一致不等于全长,100 位片段只覆盖 300 位代表的三分之一。02,三个簇也会悄悄换成员,调整输入顺序,片段从甲转到乙。03,覆盖与归类分别控制,双向覆盖拆开片段,-g 1 改善代表选择。

给蛋白序列做去冗余时,很多人会直接使用九成一致性的聚类参数,然后把输出文件当成“去掉重复蛋白后的结果”。这个操作省事,却混合了三个不同的问题。两条序列是否足够相似,比较时覆盖了多少长度,以及一条序列应该归入哪个已有代表,分别受不同规则影响。只看聚类个数,很容易把片段吸收到长蛋白里,也可能漏掉同一个片段在多个簇之间的归属变化。

这篇文章安装了 CD-HIT 4.8.1,实际运行五组对照。我们用五条明确构造的蛋白序列检查一致性分母、覆盖度、输入顺序和归类模式。它们是用于理解程序行为的模拟材料,没有真实蛋白功能标签。文章不把几次小规模运行解释为准确率评测,也不借此估算完整蛋白组的耗时。

90% 聚类,片段去了哪个簇。五组对照,检查一致性分母、覆盖范围与代表归属。01,100% 一致不等于全长,100 位片段只覆盖 300 位代表的三分之一。02,三个簇也会悄悄换成员,调整输入顺序,片段从甲转到乙。03,覆盖与归类分别控制,双向覆盖拆开片段,-g 1 改善代表选择。
五组对照,检查一致性分母、覆盖范围与代表归属

先弄清楚去冗余之后要保留什么

如果目的是压缩参考库,可以接受一个长蛋白代表几个相似成员,但必须保留成员到代表的映射。如果目的是保留完整基因的候选集合,把组装产生的短片段并入全长蛋白通常有帮助,不过这并不等于短片段已经被修复。如果目的是统计不同功能家族的数量,一致性聚类本身就不够,因为同一家族可以包含较远的同源序列,一个相似区段也可能出现在不同的多结构域蛋白中。

这些目标决定了后面如何选参数。建议在分析前写一句可以检查的规则,例如“成员与代表的一致性至少九成,而且双方各有九成长度参与比对”。这句话比只写“按九成去冗余”更容易复现。它还明确了一个代价,原本可以被长序列吸收的真实片段会单独留下,输出簇数可能增加。增加不一定代表处理失败,而可能表示筛选规则更贴近当前研究问题。

CD-HIT 的结果主要包含代表序列文件和成员列表。前者适合接到后续程序,后者保留了压缩关系。只保存代表序列,会让后续样本丰度回填、基因标识恢复和异常成员检查失去依据。这类文件体积通常比重新生成一次结果的成本小,建议和输入校验值、软件版本、完整命令一起归档。

安装与练习材料

本次通过固定摘要的容器安装 CD-HIT 4.8.1,实际日志确认了程序版本,使用一个线程和五百兆字节的程序内存参数。下面的命令用于检查同一构建。容器镜像摘要标识本次环境,不能仅凭镜像标签推断以后拉取的内容相同。

IMG=quay.io/biocontainers/cd-hit@sha256:6cf8bf310be10dd43a85376e78d2915d2d094dd8b8c84d03c0bc13f73ab63fa2
docker pull "$IMG"
docker run --rm "$IMG" cd-hit -h

实跑脚本与完整结果提供了序列生成方法、五条输入序列、全部命令、原始成员列表和运行日志。安装 Docker 后执行包内本篇目录的 python3 run.py ./work,脚本会调用固定镜像并生成各组结果。这里没有把预设答案写入聚类文件,表中的关系来自实际程序输出。

序列生成使用固定随机种子。甲、乙、丙都是三百个氨基酸。乙由甲替换三十六个位点得到,丙继承其中二十四个替换,因此甲乙、甲丙和乙丙的逐位一致性分别为百分之八十八、九十二和九十六。片段取自甲的第一百零一到第二百位,共一百个氨基酸。另设一条三百位的随机对照。随机对照在本实验中单独成簇,不等于它能够代表真实数据库中所有非同源蛋白。

九成一致性究竟除以哪个长度

本次显式使用 -G 1。在这一模式下,一致性的分母是较短序列的全长,而不是较长序列的全长。因此,一百位片段与三百位甲序列完全匹配时,一致性可以达到百分之百,而甲只有三分之一长度参与了匹配。把“全局一致性”理解成“两条蛋白全长都高度一致”,会在这里读错。参数定义见官方指南。

下面是首组实际运行的核心参数。脚本在容器内工作目录调用相同命令,输出保留完整标识,并打印比对重叠区间。

cd-hit -i abc.fa -o first_match.fa \
  -c 0.9 -n 5 -G 1 -d 0 -p 1 -T 1 -M 500 -g 0

结果把片段放入甲的簇中,成员行显示百分之百一致。这个结果符合所设规则,因为规则只要求较短序列相对于代表达到一致性门槛,没有要求覆盖长代表的大部分区域。如果一个全长蛋白包含多个结构域,来自其中一个结构域的片段就可能满足类似条件。此时把代表的整套功能注释复制给所有短成员,会把没有观察到的区域也当成证据。

实际分析中,可以先画成员长度与代表长度的散点图,再检查长度比特别小的簇。优先查看这些簇的匹配坐标,而不是先提高一致性阈值。因为一个完全相同的短片段,无论阈值提高到多少,都可能继续满足一致性条件。需要改变的是覆盖范围,而不是重复调整同一个数值。

覆盖度控制为什么把三个簇变成四个

第三组在更精确的归类模式下,同时加入 -aL 0.9 -aS 0.9。前者约束较长序列,后者约束较短序列。两者的角色由长度决定,不能直接当成“输入”和“参考”的固定方向。甲与片段仍然局部完全相同,但片段覆盖不了甲的九成长度,因此不能继续归入甲的簇。

对照 簇数 片段归属
默认,甲乙丙 3 甲,100%
精确,甲乙丙 3 甲,100%
双向覆盖 4 单独成簇
默认,乙甲丙 3 乙,91%
精确,乙甲丙 3 甲,100%

表中默认模式为快速归类,精确模式对应前述更精确的归类设置。除双向覆盖组外,其余组没有增加长短双方的覆盖限制。

第三组的其他关系没有变化,乙仍然代表丙,随机对照仍然独立。这个对照帮助我们把变化归因到覆盖要求,而不是笼统地说“参数更严格,所以所有结果都更可靠”。覆盖限制会排除短片段,也可能拆开具有不同末端延伸的真实同源蛋白。选值要围绕后续任务,而不能把九成当成所有蛋白数据的通用标准。

如果确实需要吸收片段,可以保留较宽的长序列覆盖条件,但在成员映射中增加完整性分类。例如把长度接近代表且覆盖充分的成员与仅覆盖一个局部区域的成员分开统计。这样既能压缩计算量,又不会在报告中把所有成员描述成等价的完整蛋白。

达到阈值,与找到最相似代表是两件事

第四组只调整等长序列的输入顺序,将乙放到甲前面,其余序列和阈值都不变。此时片段归到了乙,实际一致性为百分之九十一。甲与片段的百分之百匹配仍然存在,但默认快速归类没有因此保证把片段分给甲。

第五组保持这个顺序,只把 -g 0 改为 -g 1,片段重新归入甲。两组最终都有三个簇,代表序列集合也相同。只比较簇数或者代表文件,完全看不出这次成员归属变化。对于需要把基因丰度聚合到簇级的分析,这种变化会直接影响某些簇的计数,因此成员映射必须参与结果检查。

官方把默认模式描述为选择第一个达到条件的簇,更精确模式则在达到条件的候选中选择更相似的簇。这里的“第一个”不能直接翻译成“输入文件中最先出现的那条”。前两组中,丙与甲和乙都超过阈值,但两种模式都把丙分给乙。程序存在候选筛选和内部处理顺序,简单地用肉眼沿输入文件从上到下模拟,可能预测错误。

这也是我们增加第五组的原因。单次顺序改变只能说明归属变了,加入相同顺序下的模式对照,才更清楚地展示快速归类与更精确归类的区别。真实项目中遇到“换个排序结果就不一样”,先固定输入校验值和排序方式,再检查这些参数,通常比直接怀疑数据损坏更有方向。

读懂成员列表,别把星号当成功能认证

原始成员列表中,一个簇以标题行开始,带星号的行表示代表。其他行给出成员标识、一致性,以及本次开启的重叠区间。下面摘录顺序调整后的片段成员行,其序列标识和数值来自实跑。

>Cluster 0
0   300aa, >B... *
1   300aa, >C... at 1:300:1:300/96.00%
2   100aa, >fragment... at 1:100:101:200/91.00%

片段的第一到第一百位对应代表的第一百零一到第二百位。两端都包含在区间内,计算长度时需要加一。这一行足以说明片段只覆盖代表的一部分,并且它与当前代表的局部匹配存在差异。它并没有告诉我们片段具有代表的全部功能,也没有证明代表是这个簇中注释质量最高的序列。

星号只是当前运行选择的代表。用于后续功能解释时,应额外检查代表是否包含未知残基、异常短缺、内部终止或明显不合理的注释。如果希望使用经过人工确认的高质量序列展示某个簇,需要保留原聚类代表与展示序列之间的关系,不能直接替换文件后继续声称它就是原始程序输出。

另外,成员与代表满足阈值,并不自动证明任意两个成员之间也满足同一阈值。围绕代表形成的集合与所有成员两两比较的集合是不同的对象。对于训练集划分、防止相似序列跨集合泄漏之类任务,应验证真正关心的跨集合相似关系,不能只根据簇名推断所有边界都已隔离。

把检查做成可以重复执行的小步骤

建议先核对输入标识是否唯一。默认取到第一个空白前的标识时,两条看起来描述不同的序列可能产生同一个短标识,后续映射便会冲突。再检查成员列表中的成员总数是否与本次纳入聚类的序列数相符,同时单独处理程序过滤掉的短序列。最后才统计簇数、单成员簇比例和每个簇的长度分布。

对两次运行的比较,应以成员标识为键,生成“旧代表、新代表、一致性、长度、覆盖区间”的差异表。代表集合相同不代表映射相同,簇的数字编号也不适合作为跨运行的稳定标识。此次第三到第五组已经展示了两类变化,一个改变簇数,另一个只改变成员归属。如果差异表没有区分这两类,就很难解释下游统计为什么变化。

如果要从聚类结果生成非冗余目录,最好同时提供三份文件。第一份是代表序列,第二份是完整成员映射,第三份是筛选与运行说明。说明中写清输入是否含片段、是否控制双方覆盖、使用何种一致性分母、采用哪个归类模式。这样别人既能使用精简目录,也能知道哪些信息在压缩过程中被合并了。

优点、局限与这次实跑的经验

CD-HIT 的优点在这组练习里很直观,输入输出简单,代表与成员关系可以直接检查,覆盖参数能把“局部相同”和“整体接近”分开处理。它适合需要明确序列阈值的去冗余任务,也适合先构建可审计的参考集合。命令短并不是问题,问题在于短命令经常省略了研究者以为已经包含的条件。

局限同样具体。贪心归类不等于为每条成员穷尽所有生物学解释,阈值聚类不等于功能家族鉴定,代表序列不等于最佳注释记录。更精确的归类模式能够改善本例的代表选择,但不能替代覆盖度检查,也不能把模拟序列的结果推广成真实蛋白组的准确率。

本次最有用的经验是,在放大数据前先设计能改变一个条件的小对照。我们先知道甲乙丙的关系,再加入片段,分别改变覆盖、顺序和模式,才看清相同簇数背后的不同成员关系。把这种检查思路搬到真实数据,通常比照搬一个“推荐参数组合”更能避免误解。

软件代码和许可可在 CD-HIT 项目核对。实际使用时,以安装版本的帮助和保留的日志为准,不要把不同版本、不同排序或不同输入集合产生的簇编号直接拼在一起。

当这套成员与覆盖检查需要扩展到整批蛋白目录时,云生信的生物信息学分析服务器服务可以承接环境部署、批量运行与结果留存。

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 ↗