多序列比对完成以后,人们往往立即开始建树、提取保守位点,或者计算某一区段的差异。这样做隐含了一个假设,即当前矩阵中每个残基的对应关系足够可靠。对于长度相近、相似度高的序列,这个假设可能不难满足,但遇到重复片段、长缺口和较弱的相似关系,就值得先检查比对本身的不确定性。
MUSCLE 5 提供比对集合功能,可以在不同设置下生成多份合理的比对。它的价值在于让使用者观察哪些残基关系稳定、哪些位置会变化。本次实际运行 MUSCLE 5.3,构造一组带重复片段的人工蛋白序列,检查集合文件、列置信度和输出格式,并用一组完全相同的序列作对照。

先弄清重复比对在改变什么
这里的重复不是把同一条命令毫无变化地执行很多遍,也不是重复抽取不同研究对象。输入的序列集合保持不变,改变的是影响比对过程的参数扰动和引导树排列。这样得到的差异,反映当前结果对这些设置的敏感程度。
同样的输入和设置能否复现,是一个问题。改变合理设置以后结论是否稳定,是另一个问题。本次先将普通比对命令执行两次,得到完全相同的结果,再生成带变化的比对集合。前一项通过,并不能替代后一项检查。
还应区分比对重复与树的自举重复。树的自举通常在给定矩阵上重新抽样位点,用于观察树结果对抽样的敏感性。比对集合改变的是残基之间的对应关系。即使某棵树在一份矩阵上具有较高支持度,也不能据此排除另一种比对会改变该分支的可能。
MUSCLE 5 的入门文档介绍了集合生成和分散程度检查。使用这些功能的目的,是把比对的不确定性带入结果审阅,而不是多运行几次后挑一份最符合预期的结果。
自编输入与运行方式
本次生成十二条人工蛋白序列,长度为一百二十九到一百五十一残基。每条序列两侧来自共享的随机片段,加入少量替换,中间放入长度不同的重复片段。另生成八条完全相同的人工序列作为稳定性对照。固定随机种子保证输入能够重新生成。
这些材料不来自真实蛋白家族,没有实验确定的功能位点,也没有用来评价算法对真实进化历史的恢复能力。它们的用途是制造容易检查的输出差异,并验证程序是否保留全部输入残基。完整生成脚本、实际命令和结果见本组三篇复现包。
运行 202-muscle/run.py 时需要 Linux、Python 3 与 Docker。脚本使用固定摘要的公开 MUSCLE 容器,记录实际版本为 5.3.linux64,显式使用一条线程。它会生成输入并执行普通比对、集合比对、分散程度计算、置信度注释、集合拆分和对照运行。
本次使用的核心命令如下。这里的重复数为二,但分层集合会为四种引导树排列分别产生结果,因此最终得到八份比对。不要把这个参数直接当成最终文件中的比对数量。
muscle -align input.fa -amino -threads 1 \
-output single.afa
muscle -align input.fa -amino -threads 1 \
-stratified -replicates 2 -output ensemble.efa
muscle -disperse ensemble.efa
muscle -addconfseq ensemble.efa \
-output confidence.efa
muscle -efa_explode ensemble.efa \
-prefix rep. -suffix .afa
这套命令使用第五版的接口。已有旧流程时,应先核对实际可执行程序的版本,再根据对应手册调整参数,不能只看文件名都叫同一个软件就认为接口一致。align 命令说明列出了分层集合、扰动种子和重复数的含义。
八份输出不是八种互不相同的答案
本次八份重复中有四种不同的比对,长度为一百五十二或一百五十五列。这里的“不同”是把序列按名称对应以后,比较完整的含空位字符串,不受行顺序影响。若只是对文件做字节哈希,换行方式或输出顺序不同也会被误计为新的比对。
每一份结果都保留了十二条原始序列。去除空位后,所有残基逐字相同。这项检查很关键,因为我们希望比较的是同一输入的不同排列方式。若某一份结果丢了序列或改变了残基内容,就不能直接把它混入正常重复中计算稳定性。
| 重复名称 | 比对列数 | 最低列置信度 |
|---|---|---|
| none.0 | 152 | 0.25 |
| abc.0 | 155 | 0.62 |
| none.1 | 152 | 0.12 |
| bca.1 | 155 | 0.12 |
表中选择四份结果展示,并不代表其余重复被删除。原始集合中的重复权重应保持清楚。某个比对出现多次,本身就是这套生成方案的一部分。如果先把相同比对去重,再重新计算出现频率,就改变了分母与权重,不能再把新结果称为原始集合的置信度。
相同列数也不意味着相同对应关系。本次另外运行了大数据策略,它与普通运行都输出一百五十二列,但逐条含空位序列不同。因此,验收时只比较序列数和矩阵宽度是不够的,还需要比较残基对应或完整的标准化比对。
反过来,两份结果列数不同,也不一定影响所有区域。差异可能集中在少数重复片段附近,其他位置完全一致。对下游问题真正有用的,是找出结论所依赖的那一段是否稳定,而不是只记录一个总体列数差。
全局分散程度很小,局部仍然可能重要
本次分散程度命令输出两个指标,D_LP 为 0.002231,D_Cols 为 0.006993。完全相同序列的对照中,两个值均为零,八份重复也只有一种比对。这说明脚本正确区分了当前两个输入在参数变化下的稳定程度。
这些数值不能直接翻译成“真实错误率为百分之几”。我们没有真实蛋白家族的标准答案,软件输出描述的是集合中结果之间的差异。官方分散程度说明介绍了这一指标与重复之间距离的关系。应用到具体项目时,还要考虑输入特征和待回答的问题。
为了不让全局平均掩盖局部差异,我们进一步记录第一条序列的每个残基,在其他序列中对应哪个原始残基,或者对应空位。比较八份结果后,共发现二十六个“参考残基与另一条序列”的检查项发生变化。这个数量不是二十六个不同的参考位点,也不是全体序列中全部变化的数量。
其中一个具体例子是第一条序列的第六十六位与第四条序列的关系。八份结果中,三份将它对应到第四条序列的第六十六位,另外五份对应空位。若研究问题刚好涉及这里,直接使用某一份比对计算保守性,就会忽略这种对应关系的不确定性。
这也是为什么不能只拿一个全局阈值决定是否放心。大量容易比对的区域会使总体指标很小,但一个很短的敏感区段仍可能承载关键结论。更实用的检查方式,是把全局指标用于初筛,再单独审阅功能位点、结构域边界或影响分支判断的区段。
列置信度表示重复出现,不是正确概率
置信度注释会为每份比对添加两行数字,分别表示小数部分的第一位和第二位。两行标签是 _conf_ 与 _conf_2,完全一致的列使用特殊标记。它们是注释,不是额外的蛋白序列,不能直接送入建树程序当成两个新样本。
本次普通对应的那份重复,平均列置信度约为零点九六三,但最低值为零点二五,还有四列低于零点五。另一份重复平均值约为零点九一零,却有十四列低于零点五。平均值可以帮助概览,但最低值与局部连续低值区域往往更便于定位需要人工审阅的位置。
官方列置信度说明特别强调,比较列时要同时考虑字符与原始序列位置。重复区段中许多字符看起来相同,不代表它们是同一组残基。例如两个位置都是甘氨酸,但把前一个位置换成后一个位置,就是不同的对应关系。
同一份说明也提醒,不应把列置信度直接视为正确概率。一个对应关系频繁出现,说明它在当前集合中更稳定,但集合并未穷尽所有合理模型,输入也可能包含共同的系统问题。选错同源序列、截取错区域或把不对应的结构域放在一起,都可能产生稳定却不适合当前问题的结果。
因此,低置信度提示需要审阅,高置信度则提供稳定性证据。它们都不能取代独立的生物学依据。使用时可以报告关键位点在集合中的对应是否一致,而不必强行给每个位点赋予一个过度精确的正确率。
集合文件与下游分析怎样衔接
集合格式在每份比对前包含重复标签,不是普通的单份 FASTA。把整个文件直接交给只支持普通 FASTA 的程序,可能遇到非法行,也可能因为名称反复出现而造成覆盖。应先使用拆分命令,核对拆分后的文件数,再逐个执行下游步骤。
拆分后仍要用名称连接样本信息,不能假定每份文件的第几行对应同一个样本。检查脚本应确认名称集合完全一致、每行长度相同、去除空位后的序列与输入一致。带置信度的文件还要先移除注释行,并保留另一份完整注释文件供审阅。
若关注系统发育,可以对各份比对运行相同的建树流程,再比较预先关心的分支是否出现。若关注某个功能残基,则比较该残基在不同重复中与哪些位置对应。本文没有实际建树,因此不报告树的稳定性结果,只给出如何把已观察到的比对差异带入下一步的做法。
对于需要一份代表性比对的场景,软件还提供按平均列置信度选择代表结果的命令。本次实际运行后,得到的结果确实属于原集合。但选出代表文件并不会消除其余结果反映的不确定性,代表文件应与集合、选择规则一起保存。
这次实跑带来的使用经验
MUSCLE 的优点是把不同合理比对之间的变化变成了可以查看、拆分和进一步分析的对象。局限在于,生成集合后还需要围绕研究问题设计审阅方法,不能把更多文件等同于更可靠的结论,也不能把稳定程度直接包装成生物学正确率。
本次最有价值的检查不是挑出哪份比对更漂亮,而是验证同一批残基是否完整保留、关键对应关系是否变化,以及变化是否影响所关心的问题。完全一致的对照帮助检查流程,带重复片段的输入则揭示了全局平均与局部差异之间的距离。
实际工作中,先保存一份可复现的普通运行,再对困难区段或重要结论进行集合分析,通常更便于解释。报告时说明生成方案、重复数、是否去重、使用了哪种统计量,并列出关键位置的变化,比只写“采用默认参数完成比对”更能让读者判断结论的适用范围。
当多份比对还需要衔接批量建树、结果汇总与重复运行时,可按实际分析流程了解云生信生物分析服务器服务。
