蛋白序列聚类时,常见的写法是设置一个一致性阈值,再把同簇成员统称为达到这个阈值的序列。但不同聚类算法并不一定要求簇内所有成员两两达标。覆盖度按哪条序列计算,也会决定短片段能否进入长序列所在的簇。
本文实际安装 MMseqs2 18.8cc5c,用五条人工蛋白序列构造一个传递关系和一个精确短片段。我们比较连通分量、按长度贪心聚类以及两种覆盖条件,检查为什么相同输入、相同一致性阈值会产生不同分组。

把聚类看成规则组合
MMseqs2 可以先计算序列之间的匹配关系,再按照指定规则形成簇。这里至少有三个问题需要分别回答,怎样判断两条序列相似,匹配覆盖多少长度,以及怎样把这些关系组织成分组。
官方使用手册说明了覆盖模式和聚类算法。本次把这些参数都显式写出,避免改变一个参数时还无意中改变另一项默认设置。
如果方法部分只写一致性阈值,读者仍然无法知道短片段是否允许加入,也无法判断同簇成员需要与谁比较。这样的描述即使能运行,也不足以准确复现分组含义。
五条序列怎样构成一个清楚的问题
首先生成一条三百个氨基酸的人工序列,记为第一条。第二条在其中四十五个位置替换氨基酸,第三条再在另外四十五个位置替换,两个位置集合没有重叠。
因此,第一条与第二条的一致性为百分之八十五,第二条与第三条也是百分之八十五,而第一条与第三条只有百分之七十。三者长度相同,便于直接核对分母。
第四条是第一条中间一百二十个氨基酸的精确片段。第五条是独立随机生成的三百个氨基酸对照,没有人为设计与前面序列的相似关系。
所有序列均为人工输入,不代表真实蛋白家族。我们只利用它们检查分组规则,没有用五条数据评估远缘同源识别能力,也没有给这些簇赋予真实功能。
| 成员对 | 完整长度 | 直接一致性 |
|---|---|---|
| 第一条与第二条 | 300 对 300 | 85% |
| 第二条与第三条 | 300 对 300 | 85% |
| 第一条与第三条 | 300 对 300 | 70% |
| 第一条与短片段 | 300 对 120 | 局部 100% |
表中最后一行的一致性只针对片段对应区域,不能理解为长序列全部位置都有匹配。这个区别会在覆盖条件对照中直接体现出来。
先确定一致性采用哪一种计算方式
本次显式设置比对模式为三,让一致性依据实际对齐的相同残基和比对列计算。这样可以把结果与我们生成输入时设定的替换位置对应起来。
在没有这一设置时,软件的某些流程可以使用根据得分估计的一致性。对于不同目标,这种估计可能是合理的效率选择,但读表时不能默认它与逐位点直接计数完全相同。
我们另外对全部人工序列进行搜索,输出实际比对长度、两侧覆盖和一致性。三个长序列的主要相互比对都覆盖三百个氨基酸,结果分别为百分之八十五、百分之八十五和百分之七十,与直接构造的关系一致。
这个独立核对很有价值。它可以排除“第三对之所以只有七成,是因为程序只比对了某个短区域”这类替代解释,让后面观察到的同簇现象明确来自聚类规则。
连通分量允许通过中间成员连接
第一组使用双向覆盖要求,最低覆盖为八成,最低一致性也为八成,聚类方式指定为连通分量。
mmseqs easy-cluster \
proteins.fa connected tmp_connected \
--min-seq-id 0.8 -c 0.8 --cov-mode 0 \
--cluster-mode 1 --alignment-mode 3 \
--single-step-clustering 1 -s 7.5 \
--threads 1 --split-memory-limit 2G
结果中,三个长序列进入同一个簇,第二条成为代表。短片段单独成簇,随机对照也单独成簇,总共三个簇。
第一条和第三条只有七成一致性,为什么没有被分开。因为第一条与第二条满足阈值,第二条与第三条也满足阈值,三者通过中间成员形成了连通关系。
这不表示程序忽略了我们设置的八成阈值。阈值用于决定哪些序列对建立相似关系,而所选算法进一步把可以经由这些关系到达的成员组织在一起。
因此,这一结果不能被描述成“簇内任意两个成员都具有至少八成一致性”。准确表述应说明所用连接规则,必要时再单独检查簇内成员对的分布。
相似关系不能自动作传递推断
第一条像第二条,第二条像第三条,并不意味着第一条与第三条具有同样高的一致性。我们的人工输入正好提供了一个可以手工计算的例子。
在大规模集合里,这样的链条可能更长,成员长度和结构组合也可能不同。某个簇能通过关系连接起来,不等于所有成员具有完全一致的整体结构或生物学功能。
如果研究要求簇内每一对都满足某个标准,就需要明确采用能保证该要求的设计,或对结果逐对检查。不能因为聚类工具使用了这个阈值,就默认已经完成了所有成员对的验证。
同样,聚类输出也不是系统发育树。它没有在本例中估计共同祖先、分化时间或演化方向,成员在同一簇只说明它们满足当前聚类定义下的关系。
改为按长度贪心,分组立即变化
第二组保持一致性、双向覆盖和比对模式不变,只把聚类方式改为按长度贪心。
mmseqs easy-cluster \
proteins.fa both_covered tmp_both \
--min-seq-id 0.8 -c 0.8 --cov-mode 0 \
--cluster-mode 2 --alignment-mode 3 \
--single-step-clustering 1 -s 7.5 \
--threads 1 --split-memory-limit 2G
这次第一条与第二条在同一簇,第三条独立成簇,短片段和随机对照也各自独立,总共四个簇。
本次第一条被选为相应代表,第二条与它达到阈值,所以加入。第三条与第一条只有七成一致性,未进入这个簇。它与已经成为成员的第二条相似,并不会在这个结果中自动实现前一组那样的完整传递连接。
这个对照没有说明哪一种算法普遍更好。连通分量适合表达某类关系网络,按代表组织成员则提供另一种分组含义。选择应取决于后续任务,而不是单纯偏好簇数更少或更多。
覆盖八成,分母到底是谁
短片段与第一条的对应区域百分之百一致,但片段只有一百二十个氨基酸,长序列有三百个。按长序列长度计算,覆盖只有四成,所以它没有通过前两组的双向覆盖要求。
第三组仍使用按长度贪心,但把覆盖条件改成目标成员方向的覆盖,要求短成员被充分覆盖。
mmseqs easy-cluster \
proteins.fa target_covered tmp_target \
--min-seq-id 0.8 -c 0.8 --cov-mode 1 \
--cluster-mode 2 --alignment-mode 3 \
--single-step-clustering 1 -s 7.5 \
--threads 1 --split-memory-limit 2G
这次短片段进入第一条所在的簇,与第一条和第二条归在一起。第三条和随机对照仍分别独立,总共三个簇。
输入片段没有变得更长,也没有突然获得新的相似位点。变化只是覆盖分母由需要兼顾长序列,改为检查成员自身是否被足够覆盖。片段的一百二十个位置都能匹配,因此满足这次条件。
这种设置可能适合把不完整片段归入较长代表,但结果含义必须写清楚。短片段加入长蛋白所在簇,并不能证明它包含长蛋白的其他区域。
同样是三个簇,内容也可能完全不同
第一组连通分量得到三个簇,第三组目标覆盖贪心也得到三个簇。如果只比较最终簇数,会觉得两套参数效果一致。
但第一组把三个长序列放在一起,短片段独立。第三组把第一条、第二条和短片段放在一起,第三条长序列独立。总数相同,成员关系已经改变。
这说明评估聚类时只报告压缩比例远远不够。还应检查代表与成员关系、长度分布、片段归属,以及重要成员在不同方案之间如何移动。
如果后续要做功能统计或构建非冗余集合,这种成员变化可能影响注释传播和计数。参数比较应围绕实际用途展开,而不只是寻找让结果文件更小的一组设置。
代表序列不是共识,也不自动是最优生物学对象
连通分量组中的代表是第二条,按长度贪心组中相应代表是第一条。代表身份变化来自算法如何组织结果,不是软件证明某条序列更接近祖先或具有更可靠功能。
代表序列仍然是一条原始输入,不是把所有成员逐位点投票形成的新共识序列。本例可以直接从代表文件中找到它,与输入完全对应。
若需要根据完整性、实验验证程度或注释质量选代表,可以在聚类之后增加独立的代表选择规则,并保留原始簇关系。不能把算法默认代表未经检查地当成最适合展示或实验验证的对象。
当存在同长度序列或复杂关系时,也不要依赖某个代表名称永远不变。更新输入集合、版本或算法设置后,应重新检查代表与成员映射,并为需要长期追踪的簇设计清楚的版本规则。
读取聚类表时,保留每个成员的去向
本次输出的聚类表每行对应代表和成员的关系,代表自身也有一行。读取时应按第一列分组,而不是把每一行当成一个独立簇。
对于五条输入,可以核对成员总数是否仍为五,每个成员是否恰好出现一次,以及代表文件的名称是否对应分组键。这个检查能发现拼接结果、重复名称或误用中间文件带来的问题。
如果只保留代表序列文件,原始成员如何归属就丢失了。后面需要把丰度、注释或样本来源映射回完整集合时,会缺少关键关系。
因此,非冗余集合和成员映射应一起交付。减少代表数量是结果的一部分,能够追溯每条输入被归到哪里同样重要。
单步对照避免混入额外流程因素
本次显式使用单步聚类,目的在于让比较集中在覆盖和聚类算法上。没有把级联流程中可能出现的合并行为混进同一个教学对照。
实际大规模任务可能需要不同流程来兼顾速度与结果性质,但修改流程时应重新核对最终簇是否满足项目需要的成员与代表条件。某个参数在中间一步被使用,不一定等于所有最终成员对都满足同一描述。
本例固定一个线程和相同敏感度,也不是为了推荐所有项目都这样运行,而是减少对照中不必要的变量。扩大规模时,应保留同样的结果核对习惯,再根据数据量调整运行方式。
字段中的百分数与比例也要分开
命令中的一致性阈值使用零到一的比例,本例设置零点八。搜索输出的一致性列则显示百分数,例如八十五点〇〇〇。
覆盖字段又可能以比例输出,本例长序列相互匹配显示为一,片段相对长序列显示为零点四。若把所有列都按百分数解析,会得到错误筛选结果。
建议在读取脚本里明确每个字段的范围,并用一个已知人工匹配核对。不要根据数值看起来“差不多”就自动除以一百,更不要在不同工具的表格之间直接复用未经检查的过滤代码。
优点、限制与适合的使用方式
MMseqs2 的实用优势是能把搜索、覆盖过滤和多种聚类方式组合起来,并输出可追踪的代表关系。我们的人工输入能够直接展示规则之间的差别,便于在正式批量处理前确认方法含义。
限制在于,分组本身并不自动验证功能一致性、完整结构或演化关系。即使同簇成员达到某种相似标准,后续注释传播仍需结合覆盖范围和独立证据。
MMseqs2 官方仓库提供版本与工作流资料。本次只运行五条人工蛋白,没有据此评价大规模吞吐量,也没有对其他加速方式或所有聚类模块进行实测比较。
获取脚本并检查自己的参数定义
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。脚本会生成五条输入、三组聚类结果和逐对比对表。
python3 223-mmseqs2/run.py /tmp/mmseqs-demo
复现后,可以先确认七成一致的两个成员为何进入同一连通簇,再核对短片段在覆盖模式改变后去了哪里。只要这两个问题解释清楚,方法描述就能从一个模糊阈值变成可验证的分组规则。
当同样的聚类规则扩展到大型蛋白集合和多个数据版本时,可使用云生信生物信息学分析服务器管理环境、临时数据与完整成员映射。
