software

PRANK 实跑,比对完全一样,为什么祖先插缺事件仍会改变

作者:发布于 2026-11-17约 10 分钟阅读
比对相同,进化解释也相同吗。实际运行密码子比对与两套引导树。密码子,逐个三碱基块检查,长度可整除,不代表对应就完整。引导树,同一缺失落到不同分支,现存比对相同,祖先解释仍会变。验收,返回零仍可能没有结果,检查预期文件、样本和阅读框。

一段序列在两个物种中存在、在另外两个物种中缺失,究竟应该解释为前一组发生了插入,还是后一组发生了缺失。只看最终比对中的几条短横线,通常无法回答这个问题。还需要考虑树的关系、祖先状态和模型假设。

PRANK 将序列比对与进化关系联系起来,并提供密码子比对和祖先事件输出。本文实际运行一个受控例子,发现更换引导树后,四条现存序列的比对完全相同,但一段缺失被分配到的分支发生了变化。同时还检查了密码子输出、名称匹配和一个容易被批处理忽略的失败状态。

比对相同,进化解释也相同吗。实际运行密码子比对与两套引导树。密码子,逐个三碱基块检查,长度可整除,不代表对应就完整。引导树,同一缺失落到不同分支,现存比对相同,祖先解释仍会变。验收,返回零仍可能没有结果,检查预期文件、样本和阅读框。
实际运行密码子比对与两套引导树

先明确要保留的是哪一层信息

普通比对矩阵回答的是哪些字符放在同一列。进化事件推断还需要回答这些字符在祖先中是否存在,以及变化发生在哪条分支。这两层信息相关,却不能互相替代。

例如两个现存序列在某处都是空位,它们若拥有共同的近祖,模型可能把缺失放到共同祖先的分支上。若它们在树上分别属于不同组,相同的空位模式就可能被解释为不同分支上的变化。现存字符没有变化,事件解释仍会改变。

因此,阅读祖先插缺结果时,不能只保存最终 FASTA。至少应同时保留生成该结果的树、内部节点标识、模型与运行方式。若用另一棵树重新分析,即使序列比对保持一致,也应重新审阅事件所在的分支。

PRANK 官方说明介绍了它对插入、缺失以及进化距离的处理。对读者更实际的启发是,运行前先确定问题到底是获得一个可用矩阵,还是解释某段序列的进化来源。后一项需要更多上下文证据,不能靠文件中出现了“事件”一词就认定历史已经确定。

本次怎样构造编码序列

本次使用固定随机种子生成六十个密码子,排除标准遗传密码表中的终止密码子,再构造四条人工编码序列,分别标为 A、B、C、D。每条加入少量密码子替换,并在前两条中增加三个密码子。因此,前两条长度为一百八十九碱基,后两条为一百八十碱基。

这里的“增加”描述的是我们生成输入的操作,不代表程序已经知道真实进化历史。这组数据也不是一个物种演化模拟,不能用来评估真实祖先重建的准确率。我们利用它检查输出文件与分析假设之间的关系。

第一棵引导树把前两条放为一组、后两条放为另一组。第二棵树改为 A 与 C 一组、B 与 D 一组。两棵树都给出明确的分支长度,使用相同的输入、随机种子与密码子模式,并各运行一次比对。

本次公开容器的包版本标识为 251117,但程序帮助与实际日志显示 v.250331。因此,复现记录同时保存了镜像摘要与程序实际版本字符串,不能只根据容器标签推断可执行程序报告的版本。完整脚本与运行结果见本组三篇复现包。

在具有 Python 3 和 Docker 的 Linux 环境中,运行 204-prank/run.py 并指定新的工作目录即可生成全部输入和结果。核心命令如下。这里指定树、密码子模式、随机种子及单次运行,并关闭本练习不使用的外部辅助步骤。

prank -d=coding.fa -t=guide.nwk -o=codon \
  -codon -F -once -seed=204 -showall \
  -noanchors -nomafft -nofasttree -nomlanc

密码子模式应该怎样验收

本次密码子比对产生一百八十九列。四条序列去掉空位后,与各自输入逐字一致。后两条在插入对应处各有一个九碱基缺口,前两条没有缺口。

检查阅读框时,不能只看总长度是否是三的倍数。还应按固定的三碱基块扫描每一行,确认每块要么是三个空位,要么三个位置都不是空位。如果某个三碱基块中只有一个或两个空位,即使整条序列长度能够被三整除,也不能直接当成完整密码子对应。

本次脚本逐块执行了这一检查,并确认所有密码子块符合预期。随后又检查去空位后的字符与原输入完全一致,避免把“保持三倍数”误认为“没有丢失或改变碱基”。两项检查针对不同问题,应同时保留。

输入仍然需要独立质控。方向不一致、阅读框起点错误、遗传密码表不适合,或序列本身存在移码,都不是添加密码子参数就能自动解决的事情。尤其是部分长度的编码片段,必须先明确片段的相位,而不能机械要求所有输入从一个看起来相似的起始位置开始。

密码子模式与先翻译再比对也不同。本次另外运行翻译模式,实际生成一份六十三列的蛋白比对,以及一份一百八十九列的核酸比对。核酸版本去掉空位后仍与输入一致。这两个文件分别使用残基列和核苷酸列,不能混用列号。

比对没有变,事件发生的分支变了

本次更换引导树后,四条现存序列的最终比对完全一致。也就是说,如果只保存和比较现存序列 FASTA,这两次运行看起来没有差别。但事件文件记录的分支分配并不相同。

引导树关系 本次缺失记录 现存比对
AB 与 CD 分组 CD 共同分支一条 相同
AC 与 BD 分组 C、D 各一条 相同

第一棵树的事件文件把这段缺失放在 C、D 共同祖先对应的分支上。第二棵树则在 C 和 D 的末端分支各列出一条缺失。两次都涉及文件中标记的同一区段,但解释所依附的树结构不同。

这里还出现一个特别值得注意的现象。我们生成输入时,是给 A、B 增加了一段字符,而软件在这些设置下报告的是 C、D 一侧的缺失。不能据此直接宣称软件识别错了真实历史,因为输入构造步骤不是提供给程序的祖先证据,当前四条现存序列本身也不充分确定变化的方向。

插入与缺失的方向,需要结合根的位置、外群信息、祖先状态和模型假设来判断。这个例子说明,即使比对中的空位位置非常清楚,事件极性仍然是进一步的推断问题。描述结果时应写明“在给定树与模型下推断”,而不能把它写成已经观察到的历史事实。

对于真实研究,可以围绕有争议的树关系做敏感性比较。如果主要结论依赖某一棵树才出现,就应明确报告这种依赖。若不同合理树下事件位置保持一致,这才增加了该结论对拓扑变化的稳定性证据。

祖先行不是新样本,内部编号也不是永久身份

本次祖先文件中共有七行,包括四条现存序列和三个内部节点。它们按树结构组织,不是简单把三个祖先统一附在文件末尾。若下游只按行数统计样本,就会误把推断出的祖先当成额外的研究对象。

更容易出错的是内部节点编号。第一棵树中的 #1# 代表 A、B 的共同节点,第二棵树中的同名编号却对应 A、C。编号相同不代表它们是同一个祖先,必须结合该次运行的带节点标签树解释。

因此,跨运行比较祖先时,应通过后代集合或明确的树节点对应关系匹配,而不是直接连接同名编号。事件汇总表至少保留运行标识、节点编号及后代集合。否则,不同树中的事件可能被误合并到同一个“祖先”上。

本次保存了祖先序列、带内部标签的树和逐分支事件文件。阅读事件时先在树中定位分支,再查对应的祖先和后代序列,最后回到现存比对检查区段。这个顺序可以帮助发现把内部节点、分支和末端样本混为一谈的问题。

祖先文件中的字符仍然是模型推断值。它们可以帮助形成可检验的假设,但并不增加真实采样的数量,也不能被当作独立观测重复来计算统计显著性。后续若开展祖先序列相关实验,还需要根据具体研究问题进一步评估推断的不确定性。

返回码为零,并不一定生成了有效结果

为了检查失败处理,我们给第一条编码序列末尾额外增加一个碱基,使其长度不再是三的倍数。程序日志明确指出密码子序列长度存在问题,但本次运行返回码仍为零,且没有生成预期的最终比对文件。

这意味着,仅用命令是否返回零作为批处理成功条件,会漏掉这一类失败。检查脚本必须验证预期文件存在,并继续确认样本数量、统一行长、密码子块和输入字符保留。已有旧文件时,还要确认它属于本次运行,而不是此前任务留下的结果。

我们同时测试了树中多出一个名称的情况。程序返回失败,并指出树有五个叶节点,而输入中只有四个名称能够匹配。显式启用剪枝选项后,才完成了本次运行。这里的剪枝是对树的范围作出改变,应记录被移除的名称。

不能为了让流程继续,就默认对所有名称不匹配的问题自动剪枝。名称差异也可能来自拼写错误、格式转换截断,或者样本表连接错误。先比较两侧名称集合,再判断某个叶节点是否确实不属于本次数据,通常更容易找到根本原因。

对于编码序列,本次经验尤其明确。输入检查能够提前发现长度问题,输出检查能够防止把失败结果当成成功,两者缺一不可。只依靠日志中的某一句成功提示,或只依靠目录里有没有文件,都不充分。

随机种子、迭代与工具边界

本次同一输入、同一引导树与种子重复运行,得到完全一致的结果。这证明本练习的设置可以复现,并不说明所有可能的比对方案只有这一种。对于存在相同评分解的区段,不同随机选择可能揭示无法唯一确定的对应关系。

单次运行是本实验用于控制比较条件的选择,也不代表它是所有真实项目的最佳策略。默认迭代、外部辅助步骤和祖先重估都会影响完整分析流程。复现时应记录实际启用了哪些步骤,尤其不能把关闭辅助步骤的小实验与更复杂的生产流程混为同一种运行。

PRANK 的优势在于能够把比对、密码子结构和祖先事件联系起来审阅。它的限制是结果依赖进化假设与引导信息,复杂或高度分化的输入更需要谨慎检查。多花计算时间可以探索更多设置,但不能补足缺失的同源关系证据。

读取结果时还要区分文件的用途。最终现存序列比对用于检查样本之间的对应,祖先文件用于审阅内部状态,带节点标签的树用于定位分支。文件名中的最佳结果标记,只表示该次运行所保存的候选结果,不是对真实进化历史的认证。把这些文件共同归档,并为每个结果保留输入摘要,之后才能准确追溯一条事件是在哪组设置下得到的。

这次实跑最重要的收获,是不要把“比对相同”扩大成“进化解释相同”。把现存序列矩阵、树、祖先状态和分支事件分别保存与核对,才更容易看清结论到底由哪些信息支持。

当密码子比对和多套引导树比较需要扩展到更多基因家族时,可按实际流程了解云生信生物分析服务器服务。

把知识用于当前任务

下一步可以直接开始分析

按研究目标查找在线工具、课程、计算资源或完整分析服务。

按目标找方案仍有疑问,联系客服 ↗