FastTree 经常用于快速构建较大的系统树。命令简短,结果也容易直接放进绘图程序,但几个看似熟悉的参数很容易被过度解释。增加 gamma 选项是否意味着整个拓扑搜索都改用了伽马模型。boot 后面的数字是否等同于重新构建许多棵全局自举树。输出树上的零点八九一是否可以直接写成八十九点一的通用支持度。
本文实际运行 FastTree 2.2.0 的双精度版本,用同一组人工核酸比对比较普通运行、gamma 运行、减少局部重抽样和关闭支持度。另做一个省略核酸选项的控制,检查程序成功结束以后是否仍可能使用了不适合输入的模型。

先看工具适合解决什么问题
FastTree 使用近似搜索策略构建系统树,适合在较多序列或大量比对文件中快速获得可进一步审阅的结果。它的价值是让大范围探索更可行,但“近似最大似然”与充分搜索所有候选拓扑并不是同一回事。
对于关键结论,通常需要结合输入质量、模型与其他适当的搜索方式进一步检查。不能因为某一次运行很快,就认定速度没有代价,也不能因为另一种工具运行更久,就自动认为得到的结论更可靠。比较必须使用明确的数据和评价标准。
FastTree 官方说明介绍了距离构树、拓扑改进和似然优化等阶段。本文没有执行大型数据性能测试,也不引用旧版本之间的速度倍数来推销当前运行环境。下面所有数值只来自实际完成的小规模控制。
本次输入与复现方式
我们在固定树结构上生成八条人工 DNA 序列,每条八百列,并让不同位置具有不同的替换速率。随机种子固定,所有字符和参数由脚本生成,没有真实物种来源、测序质量或临床含义。
输入还必须是已经建立列对应关系的多序列比对。FastTree 的这一步是建树,不会替输入重新进行序列比对。所有行长度相同只是必要的格式条件,并不足以证明各列具有可解释的同源关系。若原始序列只是碰巧等长,直接送入建树仍可能得到一个格式完整、含义却不可靠的结果。
这种输入让我们可以比较参数变化后的程序行为,但不能据此评价真实复杂数据中的准确率。完整生成脚本、命令、日志与解析后的分支结果见本组三篇复现包。
在具备 Python 3 和 Docker 的 Linux 环境中,运行 208-fasttree/run.py,并传入一个新的工作目录即可复现。脚本使用固定摘要的公开容器,实际日志明确显示双精度版本,并限制本次运行的线程设置。
核心命令如下。树从标准输出写入文件,运行说明与警告从标准错误另存。把两种输出分开,可以避免日志文字混入 Newick 树文件。
FastTree -nt -gtr -seed 208 input.fa \
> cat.nwk 2> cat.log
FastTree -nt -gtr -seed 208 -gamma input.fa \
> gamma.nwk 2> gamma.log
FastTree -nt -gtr -seed 208 -boot 100 input.fa \
> boot100.nwk 2> boot100.log
FastTree -nt -gtr -seed 208 -nosupport input.fa \
> no_support.nwk 2> no_support.log
本次同一普通命令重复运行,树文件逐字一致。这说明当前输入、版本与种子下结果能够复现,不代表已经排除了模型错误或其他合理拓扑。复现性与正确性仍需要分别判断。
漏写 nt,程序没有替我们改成核酸模型
我们把核酸类型选项去掉,保留同一份只含四种碱基字符的输入。程序返回零,并输出了完整树文件。但日志显示距离阶段使用氨基酸设置,似然模型也变成了蛋白替换模型。
程序同时警告,输入全部由核酸字符组成,询问这是否真的是蛋白比对。这个警告没有阻止运行继续。若批处理只检查返回码,或者只检查输出是否包含所有样本,就会把这次模型使用错误的运行当成成功。
原因并不神秘,核酸常见的字母也可能出现在氨基酸字母表中。文件能被解析,不代表程序已经识别了研究者的意图。因此,类型明确的输入应显式设置类型,并核对日志中真正启用的模型。
这项控制带来的实践经验是,日志至少要保留版本、字符类型、模型和警告几项。对于自动流程,可以把预期类型与日志报告进行比对,发现不一致时停止进入下游,而不是将所有警告当成无关紧要的信息。
本次也没有把这个错误模型的树拿来做生物学比较。它的用途是证明“运行成功”不足以确认模型与输入一致。正确的处理是在上游修正类型设置,然后用独立输出重新运行。
距离阶段写 JC,不等于 GTR 没有生效
在正确的核酸运行日志中,距离阶段仍然出现 Jukes-Cantor,而后面的似然模型明确报告 GTR。这两行描述不同阶段,并不互相矛盾。
快速构树的初始距离与后续似然优化可以采用不同的计算方式。若只搜索日志中第一个模型名称,就可能误认为指定参数没有生效。应结合该行所在阶段,以及后续完整的模型报告判断。
本次日志还记录了二十个速率类别的 CAT 近似。这里每个位点使用一个速率类别,与对所有类别进行加权整合的离散伽马计算不是同一形式。看到相同的类别数,不代表两种方法的似然具有相同含义。
因此,报告方法时应尽量写清实际流程,例如核酸输入、GTR 似然模型、CAT 搜索以及是否附加伽马评估。只写“用了二十个速率类别”,不足以让他人复现或理解计算方式。
gamma 本次改变了枝长尺度,没有改变拓扑
普通运行与 gamma 运行得到相同的分组关系。脚本不是只比较树字符串,而是按每条边把样本分为两侧的关系匹配分支,从而排除显示顺序或括号位置带来的干扰。
匹配后发现,所有十三条边的 gamma 枝长与普通枝长之比都约为一点一一五三。很小的末位差别来自输出数值精度。分支支持标签则保持相同。
日志解释了这个变化。程序先完成 CAT 下的搜索与枝长优化,再报告二十类别离散伽马下的似然,估计形状参数并调整整体枝长尺度。本次形状参数约为零点六七三,日志中的缩放系数约为一点一一五。
因此,不能仅因为命令中有 gamma,就把本次流程描述为从头到尾在伽马模型下重新搜索所有拓扑。它增加的是后续评估与尺度调整,使用时应按照实际实现解释。
这种区别在比较结果时很重要。同一拓扑的枝长发生统一缩放,可能反映速率模型或归一化方式变化,并不意味着每条分支都获得了独立的新证据。若研究关注绝对变化尺度,应把模型与缩放方式一起报告。
本次并未检验其他输入下会出现怎样的系数,也没有把一点一一五三当成通用校正值。每个数据集都应根据自己的运行结果核对,不能把一个练习中的比例复制到其他树上。
两个似然值为什么不能直接比较大小
本次 CAT 最终优化报告约为负三千八百二十七点九三三,而伽马评估约为负四千零六十七点四五三。若只遵循“越大越好”,很容易得出 CAT 更好甚至应该取消伽马评估的结论。
这个比较不成立,因为两者采用的位点速率处理和似然计算方式不同。日志也明确提醒,CAT 似然可能不适合直接跨运行比较。数值同样叫对数似然,并不保证处在相同评价基础上。
需要比较不同拓扑时,应让它们在同一数据、相同模型和一致的参数优化规则下接受评价,再选择适合的统计比较方法。官方说明提供了固定拓扑下重新优化与输出位点似然的用法,但本文没有进一步执行拓扑显著性检验。
保留位点似然与模型记录,可以为后续比较提供依据。仅保存一份 Newick 文件通常不足以还原计算背景,尤其在多个工具或多个速率处理方案之间切换时,应该同时归档日志。
boot 在这里控制局部支持度重抽样
普通运行使用一千次局部重抽样,树上的支持标签以零到一之间的小数表示。把重抽样数量改为一百以后,拓扑没有变化,但部分标签数值不同。
| 分组对应的内部边 | 默认 1000 次 | 改为 100 次 |
|---|---|---|
| A 与 B | 0.981 | 0.980 |
| C 与 D | 0.891 | 0.840 |
| E 与 F | 0.885 | 0.870 |
这些是本次 FastTree 的 SH-like 局部支持度。它们围绕局部分支的替代关系进行评估,不等同于对每个重抽样数据集都重新执行一次完整全局树搜索。因此,不能把参数名称中的重抽样数字直接改写成“完成了一千次传统自举建树”。
从一百次增加到一千次,改变了该局部估计的重抽样量。表中的变化说明有限重抽样会带来数值差异,但它不提供真实分支正确率。也不能因为某个值变高,就认为那次参数设置一定更准确。
将零点八九一显示成百分数时,可以换算为八十九点一,但必须保留指标名称。把它与其他工具输出的不同支持度放在同一阈值下直接判断,会混淆各自的计算含义。
本次关闭支持度以后,拓扑仍然相同,内部标签为空。空标签表示该运行没有计算或写出对应支持信息,不能解释为支持度为零。绘图脚本应把缺失值与数值零分开处理。
结果比较为什么要围绕分支关系
树文件中子树可以交换显示顺序,同一个内部边也可能出现在字符串中的不同位置。按第一个小数、第二个小数去比较两个文件,容易把枝长或支持度配错。
本次解析脚本为每条边记录两侧样本集合,再统一选择一侧作为标识。这样可以把同一分割对应的枝长与支持度放在一起比较,也能明确判断是否出现新的分组关系。
比较前还要核对叶名称集合。若一份树删除了重复序列,另一份保留全部名称,应该先明确比较范围,而不能静默忽略缺失样本。名称与分支身份检查,是所有数值比较之前的基础。
对于来自多个基因的结果,同名样本也不一定在每个基因中都有有效信息。记录每份输入的样本集合和保留位点范围,有助于解释某些分支为何只在部分数据中稳定出现。
这次实跑应怎样用于实际工作
FastTree 的便利在于可以快速形成可审阅的树,并提供局部支持与附加似然评估。使用时最需要补上的,是明确输入类型、理解各阶段的模型、区分局部支持与其他支持度,以及保留能够复查的日志。
本次控制证明,模型使用错误的运行也可能正常结束,gamma 选项也可能主要体现为同一拓扑上的枝长缩放。把这些行为写进验收规则,能够避免仅凭“有树文件”就继续下游。
对重要结论,应根据研究问题设计进一步检查,而不是只增加一个熟悉的参数。先确认当前输出到底计算了什么,再决定还需要哪些证据,通常比在多种标签之间直接比较数字更可靠。
当快速初筛需要覆盖更多家族,并衔接后续树比较与重点复核时,可按流程了解云生信生物分析服务器服务。
