把全长比对中的恒定位点删除,再拿剩下的变异位点建树,是一种常见的数据整理方式。问题在于,筛选改变了模型看到的位点分布。若继续按未筛选数据的方式计算,软件可能把“我们只给它看发生变化的部分”,理解成“整个序列都这么容易变化”。
本文实际运行 IQ-TREE 3.1.4,用自编模拟比对检查这一问题。同时执行受限候选集的模型选择、两类分支支持度计算和检查点复用。重点是把输入筛选、模型含义与结果文件联系起来,让读者知道一棵能画出来的树还需要核对什么。

先区分拓扑、枝长和支持度
拓扑描述样本之间如何分组。枝长描述模型下的变化量,常用单位是每个位点的预期替换数。支持度则反映某个分支在指定检验或重抽样方案中的支持程度。这三类信息都出现在树文件中,但不能互相替代。
一棵树的分组可以保持不变,同时枝长明显改变。某个分支的支持度也可以很高,但不代表它的长度已经经过所有偏差检查。更不能把一个百分比直接解释成“这条进化关系正确的概率”。
还要区分显示根与推断根。在常见的可逆替换模型下,输出文件中某个样本被放在最前面,或者绘图软件把它画在左端,并不构成进化方向的证据。若研究问题涉及祖先方向,需要额外明确外群或其他定根信息。
这些区分决定了验收方式。不能只检查树是否包含预期样本,还要检查使用的位点范围、模型、枝长尺度和支持度类型。不同分析目标依赖的部分不同,报告中应清楚说明自己在比较哪一项。
本次数据怎样生成
本次用固定随机种子,在一个明确的八样本树结构上生成一千二百列 DNA。采用等频率、对称替换的简单过程,各分支根据指定长度独立产生变化。所有输入都由脚本生成,没有真实物种标签、缺失字符或测序错误。
生成的全位点比对包含六百一十六个恒定位点,以及五百八十四个变异位点。我们再提取全部变异列,形成第二份输入。这里没有继续按等位基因频率、是否双等位或缺失比例过滤,因此筛选条件就是“只保留发生变化的列”。
这是一组用于检查模型行为的模拟输入,不是真实群体数据,也不是工具准确率排名。完整生成脚本、实际命令和报告见本组三篇复现包。运行 206-iqtree/run.py 需要 Linux、Python 3 和 Docker,并为每次运行指定新的工作目录。
本次使用固定摘要的公开容器,程序实际版本为三点一点四,显式使用一条线程和固定随机种子。脚本保存全部日志、树字符串与报告内容。数据规模很小,本文不根据运行时间推算大型系统发育项目的成本。
模型选择的结果只对候选集有意义
我们首先在全位点比对上运行模型选择,并将候选基础模型限制为 JC、HKY 和 GTR,将速率形式限制为均一与四类别离散伽马。实际报告按贝叶斯信息准则选出 JC。
iqtree3 -s full.fa -m MFP \
-mset JC,HKY,GTR -mrate E,G4 \
-T 1 --seed 206 --prefix model
这个结果与我们使用的简单模拟过程相符,但它不是“软件证明所有真实序列都适合简单模型”。模型选择只比较本次指定的候选集合,而且还依赖输入数据。若候选集中没有能够描述主要特征的模型,排名第一也不代表假设充分成立。
贝叶斯信息准则在拟合与复杂度之间作出权衡,不能把参数更多的模型自动看成更正确。真实数据还可能存在不同基因、不同位置的速率差异或组成差异,需要根据问题考虑分区与模型检查。
官方命令说明列出了模型、输入类型、随机种子和输出前缀等控制项。模型假设检查说明则提醒,严重违背模型假设可能影响拓扑或其他参数。完成模型选择与检查模型是否适合,是相互补充的工作。
本次后续对照统一使用 JC,目的是固定基础替换模型,单独观察位点筛选及其校正的影响。它是实验设计中的控制条件,不是对真实数据统一使用该模型的建议。
删除恒定位点,枝长估计发生了什么
为了使比较聚焦,我们固定同一棵树的拓扑,分别对全位点、仅变异位点以及带筛选校正的变异位点估计枝长。本次使用固定树选项,因此这一组不重新搜索拓扑。
iqtree3 -s full.fa -te guide.nwk -m JC \
-T 1 --seed 206 --prefix full_fixed
iqtree3 -s variable.fa -te guide.nwk -m JC \
-T 1 --seed 206 --prefix variable_plain
iqtree3 -s variable.fa -te guide.nwk -m JC+ASC \
-T 1 --seed 206 --prefix variable_asc
我们读取树文件中所有分支长度并求和,得到下表。总枝长是本次比较的汇总量,不能替代逐分支检查,也不表示经历了多少年的演化时间。
| 输入 | 模型 | 总枝长 |
|---|---|---|
| 全部 1200 列 | JC | 0.67434 |
| 仅变异 584 列 | JC | 1.70513 |
| 仅变异 584 列 | JC+ASC | 0.66037 |
只保留变异列而不改变模型时,总枝长变为原来的两倍多。加入筛选校正后,估计回到接近全位点分析的尺度,但两者没有完全相等。变异位点子集与完整输入携带的信息不同,有限数据下的估计也不必逐位一致。
为什么会出现这个差异。全位点输入中,大量位置在八个样本之间保持相同,向模型提供了变化并不密集的信息。只给模型看变异列,却没有说明已经筛掉不变列,就改变了它看到的变化比例。模型于是需要不同的枝长去解释当前输入。
官方替换模型说明解释了筛选校正,它对“位点已经被要求发生变化”的条件调整似然。本次控制与这一条件对应,因此能够清楚展示校正前后的差别。
ASC 不是所有 SNP 数据的通用修复按钮
本次还把筛选校正直接用于包含恒定位点的完整输入。程序明确拒绝,指出比对中有六百一十六个恒定位点,并额外写出一份只含变异列的辅助文件。这项失败与预期一致,说明不能在所有命令后面机械加上该参数。
真实 SNP 数据的形成过程可能比本次复杂。除了删除恒定位点,还可能经过频率阈值、特定位点面板选择、缺失率过滤或其他筛选。这些条件会改变被保留位点的分布,不能只因为文件名包含 SNP,就假定简单的变异位点条件已经描述了全部选择过程。
所以,建树前要先回答输入如何得到。是否保留了所有可靠测得的位点,是否只剩变异位点,是否又经过其他有方向性的过滤,哪些样本具有可比较的观察范围。缺少这些信息,模型名称本身不能说明处理是否合适。
本次没有模拟复杂的筛选流程,也没有验证它们对应的修正方案。可以从本例获得的具体经验是,记录位点筛选条件,并让模型与条件相匹配。不能把这次接近全位点结果的数值推广成对所有变异矩阵的保证。
此外,不要跨不同输入直接用原始对数似然大小判断哪个分析“更好”。全位点与变异位点的列数和条件不同,其数值基础也不同。比较应围绕问题设计,而不是从多个报告中挑一个看起来更漂亮的似然值。
两种支持度放在同一标签里,怎样读取
本次还在全位点输入上同时运行一千次 SH-aLRT 与一千次超快速自举,并启用进一步优化自举树的选项。实际树文件中五个内部二分关系的标签均为 100/100。
iqtree3 -s full.fa -m JC \
-alrt 1000 -B 1000 -bnni \
-T 1 --seed 206 --prefix support
斜杠前后属于不同的支持度类型,不能把两个数相加、取平均,或者只保留一个后仍不说明其含义。官方入门教程说明了组合标签的顺序,以及超快速自举与分支检验的用法。
这组模拟序列按清晰树结构生成,出现较高支持度并不意外。但它不能说明真实数据中任何高支持分支都排除了比对错误、组成偏差或位点筛选偏差。支持度反映的是当前输入与分析方案下的结果。
本次数据中没有研究不同基因之间的树冲突,因此也不能把这些支持值当成基因一致性的测量。大量拼接位点对一个分支的支持,与多少个独立基因支持它,是不同的问题。报告需要匹配真正计算的指标。
查看结果时,应同时阅读报告对标签的解释和实际命令。如果之后又运行了其他支持度计算,树文件中标签的字段数和意义可能改变。绘图脚本不能只靠一个固定位置提取数值,而不检查来源。
检查点保护的结果,不能当成新运行
对已经完成的支持度任务,我们再次执行完全相同的命令。本次程序返回失败状态,明确提示检查点记录表明此前运行已经完成,并说明如何显式重新开始。脚本比较了前后树文件的摘要,结果没有变化。
这不是新的建树结果,也不表示输入数据有问题,而是程序在保护已经完成的输出。批处理若只看到目录里仍有树文件,就宣称新任务成功,会把旧结果误记为新结果。
对意外中断的任务,检查点可以用于继续计算。对需要更换参数的独立比较,更稳妥的做法是使用不同前缀和输出目录,保留各自的命令与输入摘要。需要覆盖重跑时,也应明确知道将替换哪一组结果。
输出前缀在这里不只是整理文件的便利项。它把日志、模型报告、检查点和最终树联系成同一次分析。如果多个不同任务共享前缀,就很难判断某个报告究竟与哪份树对应,也容易触发不符合预期的续跑行为。
一份系统树结果应怎样验收
首先核对样本名称与数量,确认输入确实是已经建立对应关系的比对。接着检查字符类型、恒定与变异列数,以及输入经过哪些筛选。再核对模型、候选范围、是否固定树和支持度计算方式。
最后才是阅读树本身。确认枝长尺度,明确树的根如何确定,解释分支标签,并检查关键结论是否依赖某一种输入筛选或模型设置。对于复杂数据,还应按研究问题补充适当的假设检查和敏感性分析。
IQ-TREE 的优势是把模型选择、似然推断和支持度计算集中到较完整的流程中。局限在于,软件不能从一份经过多次筛选的矩阵里自动知道全部数据来源,也不能替研究者决定哪些生物学假设合理。输入历史仍然是结果解释的一部分。
本次实跑最直接的收获,是把筛选条件与模型一起记录。相同样本、相同拓扑,并不保证枝长具有可直接比较的含义。理解恒定位点提供了什么信息,才能正确解释仅变异位点分析中的校正与限制。
当模型比较、支持度重复与多基因敏感性分析需要持续批量运行时,可按任务流程了解云生信生物分析服务器服务。
