HMMER 结果中,同一个结构域常常同时出现条件期望值和独立期望值,还有整条序列的期望值。如果把它们统一命名成一列“显著性”,后续筛选很容易失去原来的统计含义。
本文实际安装 HMMER 3.4,用十二条人工比对序列建立一个模型,再搜索完整匹配、串联重复、短片段和随机对照。我们扩大数据库、分别修改两个搜索空间,并收紧纳入阈值,检查哪些数值会变化,哪些结果仍然出现在表中。

从人工比对建立一个可核对的模型
首先生成一条一百二十个氨基酸的基准序列,再分别在二十四个位置改变氨基酸,得到十二条训练序列。因为这些位置的对应关系由生成过程明确给出,我们直接写成同长度的人工比对。
这里没有额外运行多序列比对软件,也没有使用真实家族数据库。这个输入只用于构建控制实验,不应被写成已经验证的蛋白家族模型。
HMMER 官方文档入口提供模型与搜索说明。本次先建立蛋白模型,再用它搜索序列集合,下面是实际执行的建模命令。
hmmbuild --amino --seed 224 \
profile.hmm training.sto
输出模型包含一百二十个位置。模型来源、训练比对和随机种子都保留在复现包中,便于核对后续命中究竟对应哪些模型位置,而不只保存一个无法解释来源的模型文件。
训练数据与查询对照分开生成
完整查询在基准序列的另外一次随机生成过程中改变十二个位置,没有直接复制某一条训练序列。它与训练数据共享人工设计的结构来源,但属于单独生成的输入。
串联查询由两份完整查询组成,中间加入三十个随机氨基酸,总长度二百七十。短片段只保留基准序列第四十一至第八十个位置,长度四十。随机对照则独立生成一百二十个氨基酸。
这个设计能够分别检查单个完整匹配、重复结构和局部片段。它不是严格的真实生物学训练验证划分,更不能用一次人工命中成功来评估模型在未知家族中的准确率。
真实项目的模型质量取决于训练序列覆盖、比对质量和模型所代表的生物学范围。程序能成功建立模型,只说明输入满足运行条件,并不自动证明训练集合足够代表目标家族。
同时保存序列表、结构域表和正文展示
本次搜索设置序列报告门槛和结构域报告门槛均为十的负五次方,并分别保存三种输出。
hmmsearch \
--cpu 1 --seed 224 \
-E 1e-5 --domE 1e-5 \
--tblout small.tbl \
--domtblout small.domtbl \
-o small.txt \
profile.hmm small.fa
序列表适合看每个目标的总体匹配,结构域表逐个描述目标中的局部模型匹配,正文展示则保留阈值标记、坐标和运行摘要。它们相互补充,不宜只留其中一个最方便导入表格的文件。
本次四条目标中,完整查询、串联查询和短片段被报告,随机对照没有通过设定的报告条件。结构域表共有四行,因为串联查询贡献了两行。
如果把结构域表行数直接当成命中序列数量,就会把三条序列错误地统计为四条。对含重复结构的蛋白集合,这种计数混淆可能积累得很明显。
整条序列的高分,可以来自多个结构域
串联查询的整条序列分数约为四百六十九点六,明显高于完整查询约二百四十一点六的序列分数。但它包含两份相同来源的人工片段,不能据此认为每一份都比完整查询更可靠。
结构域表显示,串联查询的两个匹配分别位于目标第一至第一百二十,以及第一百五十一至第二百七十个氨基酸。每段对应模型的第一至第一百二十个位置。
两段之间的三十个氨基酸没有被当成第三个同类结构域。只看整条序列分数,会丢失这种明确的结构分布信息。
对真实蛋白进行注释时,也应区分“这条序列总体包含模型支持的片段”和“每个局部区域都得到充分支持”。多个重复区域的总体证据,不应自动转移给任意一个弱片段。
短片段显著,不等于模型覆盖完整
四十个氨基酸的短片段得到很小的期望值,结构域分数约为八十六点三。它覆盖自身全部长度,但只对应模型第四十一至第八十个位置,也就是模型长度的三分之一。
| 目标 | 报告的结构域数 | 对应模型范围 |
|---|---|---|
| 完整查询 | 1 | 1–120 |
| 串联查询 | 2 | 两次 1–120 |
| 四十位点片段 | 1 | 41–80 |
这说明显著性和完整性是两个问题。短片段可以对某段模型提供很强证据,同时完全没有包含模型的其他区域。
如果研究需要完整家族成员或完整结构域,应另外检查模型覆盖和目标覆盖。若研究只是判断某个局部片段是否有相似特征,则可以保留这类命中,但应明确它的范围。
本例没有给模型赋予真实功能,因此也没有把短片段命中解释成某种功能已经成立。即使在真实家族数据库中,功能推断也需要结合模型定义、关键位点和其他注释信息。
条件期望值与独立期望值对应不同背景
在小库中,完整查询的结构域条件期望值约为二点六乘十的负七十六次方,独立期望值约为三点五乘十的负七十六次方。两者使用同一结构域分数,但参照的搜索空间不同。
本次运行摘要明确记录,总搜索目标数为四,经过序列报告条件的目标数为三。条件统计量以这个较小的报告集合为背景,独立统计量则对应原始搜索目标规模。
因此,条件期望值不能简单解释为一个独立搜索的同等证据。它已经依赖目标进入报告集合这一条件,在读表时应保留两个字段的区别。
HMMER 用户手册说明了这些统计字段及其使用情境。本次通过改变搜索空间直接验证它们的行为,避免只记住两个缩写而不知道它们何时会不同。
扩大数据库以后,两个数值没有一起变化
我们在小库之外加入二百条随机背景序列,使目标数从四增加到二百零四。原来四条目标的内容保持不变,模型也没有重新建立。
完整查询的结构域分数仍为二百四十一点四,独立期望值增大到约一点八乘十的负七十四次方。条件期望值仍为约二点六乘十的负七十六次方,没有随总目标数一起增长。
原因可以在运行摘要中直接看到。总搜索空间变成二百零四,但达到序列报告条件的目标仍然只有三条。两个统计量所依赖的背景在这次对照中只有一个发生变化。
短片段和串联查询也呈现同样的对应关系。这说明不能用某个统一倍数去更新整张结构域表的所有期望值,必须知道每个字段具体使用了哪个搜索空间。
显式改变总搜索空间,只影响相应统计量
为进一步隔离这个因素,我们在原来的小库上指定总搜索目标规模为一万。
# 在相同搜索命令中增加
-Z 10000
完整查询的独立结构域期望值变成约八点八乘十的负七十三次方,而条件期望值仍维持原来的数量级和显示值。结构域分数与坐标保持不变。
这里没有真的增加目标序列,参数只是改变相应统计计算的搜索空间。它适合用于验证字段含义,不能被用来任意美化结果。
当真实工作流拆分数据库时,如何使统计背景对应完整搜索设计,需要明确记录。不能把每个分片的局部统计直接拼起来,就默认它们已经具有与完整库搜索相同的解释。
只改变条件搜索空间,结果反过来变化
另一组仍使用小库,但把条件结构域搜索空间设为一百。
# 在相同搜索命令中增加
--domZ 100
这次完整查询的条件期望值增大到约八点八乘十的负七十五次方,独立期望值仍约为三点五乘十的负七十六次方。变化方向与前一组相反。
在这个人为设置下,条件期望值甚至大于独立期望值。因此,“条件期望值总是更小”不能当作不带条件的规则,它取决于实际采用的两个搜索空间。
我们没有把这些人为数值作为真实项目的推荐设置。实验的作用是让读者看到,每个字段背后有明确的统计背景,不能只按哪一个更小就选择哪一个进行展示。
出现在报告里,不等于通过纳入门槛
接下来保留原来的报告阈值,只把序列和结构域的纳入门槛同时收紧到十的负一百次方。这个非常严格的数值专门用于展示两类门槛的差别。
# 在相同搜索命令中增加
--incE 1e-100 --incdomE 1e-100
运行后,结构域表仍然有原来的四行,原有分数和期望值也没有消失。但正文展示中,四个结构域的显著标记由感叹号变为问号。
这说明报告和纳入并不是同一层筛选。报告控制哪些结果被展示,纳入条件用于进一步标记哪些结果满足指定要求。只判断某行是否存在,无法代替对实际门槛的检查。
串联查询的总体序列证据很强,但它的两个单独结构域仍未通过这次极严格的结构域纳入门槛。这再次说明总体序列层与局部结构域层需要分别判断。
不要把问号直接写成没有相似性
问号表示未达到本次设置的纳入要求,不等于序列之间完全没有关系。我们把门槛人为收得极严,正是为了让原本强烈的人工匹配也出现这种标记。
同样,感叹号也不意味着已经获得实验功能验证。它表达的是软件在当前模型和阈值下的判定,应与模型来源和实际研究问题一起解释。
方法部分应同时给出使用过的报告和纳入设置。如果报告正文声称筛选到了高可信候选,但实际只是保留结构域表中的全部行,读者将无法复核“高可信”的定义。
对需要输出后续比对或进入其他步骤的流程,还应核对最终真正进入下游的数据名单。一个结果在人工阅读表中可见,并不能保证它一定被自动流程继续采用。
模型坐标、目标坐标和范围坐标分别核对
结构域表包含模型中的起止位置、目标序列中的比对位置,以及用于描述域所在范围的坐标。它们回答的问题不同,不应因为本例中某些数字相同就混作同一字段。
短片段的模型范围是第四十一到第八十,而目标范围是一到四十。若把模型坐标拿来切目标序列,会直接提取错误位置,甚至越过目标末端。
本次强匹配的比对边界与范围边界恰好一致,但这并不保证所有真实弱匹配都会如此。导出结构域区间时,应明确使用哪组坐标以及为什么这样选。
常用输出坐标从一开始并包含两端。转成零开始、右端不包含的区间时,要在脚本里统一处理,同时保留原始坐标用于核对,避免在多次表格转换中重复减一。
接近一的对齐准确度,不是功能概率
短片段结果中还有一个接近一的准确度字段,显示约零点九九。它描述模型下对齐残基位置的后验支持汇总,并不是这个片段具有某项功能的百分之九十九概率。
因此,一个短片段可以同时拥有很高的对齐位置支持和很低的模型覆盖。两个字段各自合理,但若把准确度直接写成完整家族归属概率,就会超出输出本身的含义。
这个例子再次说明,结果表里的不同数字不能互相替代。显著性、覆盖度、位置支持和功能证据需要各自解释,再共同决定是否适合纳入后续分析。
优点、限制与实跑经验
HMMER 的优势是能够利用模型不同位置的信息识别局部相似区域,并把整条序列与单个结构域结果同时输出。本次串联和片段对照都能清楚定位到预设区域,便于逐项解释。
它的限制是依赖模型质量和统计设定。人工模型中的高分不能直接推广到真实家族数据库,模型缺乏代表性时,增加搜索量也不会自动修正其生物学范围。
本次没有使用成熟家族库,也没有为人工模型标定专门的家族门槛。若真实流程依赖某个模型文件自带的特定阈值,应先检查该模型确实定义了相应信息,不能把其他项目的规则机械套用。
最有价值的实跑习惯是同时保留模型、训练比对、完整命令和运行摘要。尤其在拆库、换库或修改门槛后,摘要中的两个搜索空间能帮助解释为什么同一个结构域的某些数值改变、另一些没有改变。
获取脚本并逐项核对
下载本组三篇复现包,在支持 Docker 的 Linux 环境中执行下面的入口。脚本会生成训练比对与目标序列,运行五组搜索并保存三类原生输出。
python3 224-hmmer/run.py /tmp/hmmer-demo
复现时可以先数三条命中序列和四个结构域,再对照搜索空间变化,最后检查严格纳入条件下仍然存在的报告行。把这三个层次分开,就能避免把结构域表简化成一张含义模糊的显著性名单。
当模型搜索需要扩展到多批蛋白集合并保留不同数据库和门槛的结果时,可通过云生信生物信息学分析服务器管理统一环境与可追溯分析记录。
