最大似然建树常见的做法,是准备一份比对和一个模型,然后运行程序,取输出的最佳树。但树空间中的搜索通常不是穷举。一个起点得到的结果,与多个不同起点是否能够找到相近的解,是两个值得分开检查的问题。
本文实际运行 RAxML-NG 2.0.4,从输入校验、位点模式压缩到六个起点搜索,再到树之间的距离比较,逐步检查结果。人工控制还揭示了一个容易误读的现象,两棵树的 RF 距离可以为零,而它们的枝长明显不同。

多个起点检查的是搜索稳定性
给定比对和模型,最大似然搜索希望找到能够更好解释输入的树与参数。搜索从某个初始树开始,逐步调整结构和参数。不同起点可能到达相同的区域,也可能停留在不同的结果上。
因此,多起点运行的意义是减少结论依赖单一起点的程度。若多个不同起点得到相同拓扑、相近似然,会增加当前搜索在这些条件下稳定的证据,但不构成已经穷尽所有树空间的证明。
还要将搜索问题与数据问题分开。即使所有起点都收敛到同一拓扑,输入仍可能存在不合适的序列对应、组成偏差或错误分区。搜索稳定只能回答搜索层面的一部分问题,不能代替模型与数据的检查。
项目官方教程介绍了校验、解析和搜索等步骤。本次使用的版本为二点零点四,实际参数与行为均以本次帮助和日志为准,尤其没有直接套用旧版本教程中的默认起点数量。
输入控制怎样设计
本次生成八条人工 DNA 序列,每条八百列。序列来自一个固定树结构上的简单替换模拟,随机种子固定。它们只用于验证运行流程,没有真实样本含义,也不用于比较工具对真实演化历史的准确率。
为了测试输入校验,我们另建一份带问题的输入,在全部序列后追加两个空列,复制其中一条序列但使用不同名称,并新增一条全部为未知字符的序列。于是这份输入具有十个名称和八百零二列。
校验程序识别出两个完全未确定的列、一个完全未确定的序列,以及一对完全相同但名称不同的序列。其中,全未知序列使本次校验返回失败。日志建议显式选择移除这类序列的处理方式。
值得注意的是,失败运行仍然写出了一份精简比对文件。因此,目录里出现了新文件,并不等于校验已经通过。读取结果前必须查看本次运行状态,以及文件究竟是正式结果还是用于修正输入的辅助输出。
完整生成与核验脚本见本组三篇复现包。在 Linux 中准备 Python 3 和 Docker,运行 207-raxml-ng/run.py 并指定新工作目录即可复现。脚本使用固定镜像摘要,记录所有命令、日志与输出。
显式处理问题以后,仍要重新核对样本集合
本次第二次校验明确启用了移除全未知序列的选项,运行成功。导出的精简文件实际具有八条序列、八百列。新增的空序列、重复副本与末尾两个空列不在该文件中。
这里有一个需要逐文件检查的细节。日志说明重复序列可以在树搜索中保留,但精简文件本身已经移除了副本。因此,不能仅根据日志中的一句说明,推断所有输出文件的样本集合都相同。
完全相同的序列也不等于同一个样本。不同个体可能在当前区域没有差异,移除重复副本会影响最终展示中的名称数量。如果采用精简输入,应保留副本与代表序列的关系,并根据项目需要决定怎样恢复展示或保留原样本。
本次正式搜索使用的是原始八条无缺失的干净输入,所以没有把精简控制中的样本变化混入搜索结果。真实项目也应清楚记录最终送入搜索的是哪一份文件,而不是只记录最早下载的数据名称。
raxml-ng --check --msa dirty.fa --model GTR+G4 \
--prefix check --threads 1 --workers 1 --seed 207
raxml-ng --check --msa dirty.fa --model GTR+G4 \
--extra seq-allgap-remove --prefix check_remove \
--threads 1 --workers 1 --seed 207
第一条在本例中是预期失败的控制,第二条体现了明确选择后的处理。不要为了消除错误提示,就自动删除所有被警告的样本。应先确定问题是没有有效字符、真实重复,还是输入转换造成的损失。
八百个位点压缩成二百五十三个模式,是否丢了数据
解析步骤将八条干净序列的八百个位点表示为二百五十三个不同的位点模式。我们另用 Python 对每一列的八字符组合去重,得到相同数量。这一检查说明程序报告的模式数与输入列的实际重复结构一致。
模式压缩与修剪不同。多个列如果在所有样本上具有相同的字符组合,可以通过一个模式及其出现权重参与计算,不必逐列重复处理。原始八百列并没有被等同于二百五十三列等权数据。
如果误把每个模式只保留一次,就改变了频数,对模型估计产生不同影响。因此,在使用二进制比对文件时,要理解它保存的是便于计算的表示,而不是随意去重后的新生物学数据。
本次解析得到的二进制文件为六千七百三十三字节,随后实际把它作为搜索输入。这个体积只对应当前很小的例子,没有用于推算真实项目的内存需求。真实数据的模式数量、样本数和分区结构都会影响后续计算。
raxml-ng --parse --msa input.fa --model GTR+G4 \
--prefix parsed --threads 1 --workers 1 --seed 207
raxml-ng --search --msa parsed.raxml.rba \
--tree 'pars{3},rand{3}' --prefix search \
--threads 1 --workers 1 --seed 207
本次在解析时确定模型,搜索直接读取对应二进制表示。复用此类文件时,应同时保留来源比对、模型设置和程序版本。不能因为文件能读取,就默认它与当前准备比较的输入完全一致。
六次搜索的数值怎样比较
我们显式要求三个简约起点和三个随机起点。日志确认使用六个不同的起始树,最终保存六棵搜索结果。它们的对数似然都接近负三千八百六十三点零三九。
| 搜索序号 | 对数似然 |
|---|---|
| 1 | -3863.039150 |
| 2 | -3863.039153 |
| 4 至 6 | -3863.039116 |
因为数值为负,较接近零的值在这里更大。但比较的前提是同一份数据、相同的似然定义和可比较的模型设置。不能拿不同长度的比对结果,直接按数值大小排名。
这组六次结果之间的差别很小,拓扑也相同。小的似然差可以来自参数优化精度,并不必然表示发生了不同的分组。判断时应同时检查拓扑与数值,而不能把每一个不同的小数尾数都当成不同生物学结论。
本次最佳结果只表示这些已完成搜索中的最高似然结果。它没有证明所有可能起点都会得到同样答案,也没有证明当前模型包含了真实过程。对于更困难的数据,需要结合搜索轨迹和不同起点结果决定是否继续探索。
固定随机种子有助于复现本次起点生成与运行条件,但它不是质量指标。换种子后结果是否稳定,可以作为进一步敏感性检查。为了得到预期分组反复换种子并挑选结果,则会掩盖本来应该报告的不确定性。
RF 距离为零,究竟排除了什么差异
我们对六棵搜索结果计算 RF 距离,所有两两距离均为零,程序报告只有一种拓扑。这与对数似然非常接近的结果一致,支持当前输入与设置下的拓扑稳定性。
RF 距离比较的是树中的分割关系。它不会因为绘图时左右子树交换就认为树不同,也不把枝长的变化作为同一种差异统计。因此,它适合检查分组结构,但不能代替枝长比较。
为了直接验证这个边界,本次另外构造三棵手写树。前两棵分组相同,但改变了子树显示顺序和多个枝长。它们的 RF 距离仍为零。第三棵改变一个局部分组,与前两棵的绝对距离均为四,相对距离均为零点四。
在本次八样本完全二分的无根树中,可用于归一化的分割差异上限为十,所以四对应零点四。比较其他样本数量或结构时,不能脱离定义直接套用这个比例。
计算距离前还应核对两棵树的叶名称集合。若一次分析删掉了重复样本,另一次保留了它们,就不能忽略这一差别直接比较。即使进一步只取共同样本构成子树,得到的也是共同样本范围内的结果,需要报告这种范围变化。名称截断和大小写差异也应在比较前处理,并保存明确的映射。
这项控制说明,如果研究关注的是枝长、时间或变化速率,单看 RF 为零还不够。应先按分割关系匹配对应分支,再比较其长度或相关参数。直接按树文件中出现的先后位置匹配分支,容易把显示顺序变化当成身份变化。
线程与并行搜索要记录清楚
本次显式设为一条线程和一个搜索工作单元,让所有小规模运行条件明确。这并不是对实际项目配置的建议。一个任务内部使用多少线程,与同时运行多少个独立搜索,是两类不同的并行安排。
当输入较大时,需要根据样本数、模式数、分区数量和实际测量决定怎样安排。更多线程并不自动意味着等比例加速,多个并行搜索也会同时占用各自所需的内存。不能把一份帮助信息中的默认值当成所有项目的合适配置。
对复现更重要的是,把线程、工作单元、种子和搜索起点设置一起记录。若同一批结果来自不同运行条件,比较时至少要知道这种差异。本文没有执行并行效率测试,因此不提供加速比或吞吐量结论。
从文件齐全到结果可解释,还差哪些检查
首先确认输入校验是否通过,并记录样本与列的变化。接着确认二进制表示与原输入对应,模式压缩没有被误解为等权去重。搜索完成后,再比较各起点的似然、拓扑与必要的枝长差异。
如果六个起点得到了多个拓扑,不应只删掉非最佳结果。可以整理各结果的似然差、分割差异与起点来源,判断差异是否集中在关键分支。保留这些中间结果,之后才有条件解释为什么选择某一结果或需要更多搜索。
本次六个起点搜索也不是六次自举。随机起点改变优化开始的位置,自举则会改变用于分析的位点抽样。某个分支出现在所有六个搜索结果中,不能据此给它写上百分之百的自举支持度。本文没有执行自举,因此只报告搜索稳定性,不给出相应的支持度结论。需要支持度时,应另设明确的重抽样方案并保留对应记录。
RAxML-NG 的优势是把输入检查、多起点搜索和树比较组织成明确步骤。它的限制是输出最佳树并不自动完成生物学解释。搜索稳定、模型合适、输入可靠,需要分别建立证据。
本次最值得保留的习惯,是把“同一拓扑”“相近似然”“相似枝长”分开报告。它们共同帮助判断结果,但任何一项都不能单独承担其余两项的含义。
当多起点搜索与大量基因家族的结果比较需要批量开展时,可按分析流程了解云生信生物分析服务器服务。
