
ASTRAL名称覆盖不同实现,不能把旧Java命令、映射格式和枝长解释拼在一起。本篇明确使用ASTER项目中的ASTRAL-IV,从已验收的单拷贝基因树估计物种树;多拷贝基因家族应评估ASTRAL-Pro3等适用方法,不靠给重复基因换名字绕过方法前提。
先准备基因树与个体到物种的映射
每个genes目录中的.nwk文件只含一棵Newick树,叶标签使用稳定个体ID。允许不同基因缺少部分物种,但缺失分布和基因树质量仍需检查。本例要求每棵树至少涉及四个物种,是为教学验收设置的输入限制,不宣称它涵盖软件支持的全部情况。
| 文件或含义 | 本篇约定 | 不能混用 |
|---|---|---|
| mapping.txt | 每行“个体ID 物种ID” | 旧Java的species:individual1,individual2格式 |
| genes/*.nwk | 每文件一棵已核验单拷贝树 | 把多棵树或比对文件直接改后缀 |
| species.tre | 无根物种树 | 显示根不等于生物学定根证据 |
| 枝长 | 当前ASTRAL-IV集成CASTLES-II,单位为替换/位点 | 旧Java ASTRAL内部枝共祖单位解释 |
检查树叶并生成统一输入
需要Python 3和Biopython。下面保存为prepare_astral.py,在mapping.txt与genes目录所在位置执行。它拒绝映射冲突、重复树叶、无映射个体以及多树文件;使用Newick解析后重新输出,避免用字符串替换误改分支支持或相似名称。输出目录必须全新。
import re,json,shutil
from pathlib import Path
from Bio import Phylo
mapping={}
with open("mapping.txt") as f:
for line in f:
fields=line.split();assert len(fields)==2
individual,species=fields
assert all(re.fullmatch(r"[A-Za-z0-9_.-]+",x) for x in fields)
assert individual not in mapping,"映射个体重复"
mapping[individual]=species
files=sorted(Path("genes").glob("*.nwk"));assert files
trees=[];audit=[];all_species=set()
for path in files:
parsed=list(Phylo.parse(path,"newick"));assert len(parsed)==1
tree=parsed[0];ids=[x.name for x in tree.get_terminals()]
assert all(x in mapping for x in ids)
assert len(ids)==len(set(ids)),"同一树内个体重复"
species={mapping[x] for x in ids};assert len(species)>=4
all_species.update(species);trees.append(tree)
audit.append(dict(file=str(path),individuals=len(ids),species=len(species)))
assert len(all_species)>=4
root=Path("astral-input-001");root.mkdir()
Phylo.write(trees,root/"genes.tre","newick")
shutil.copyfile("mapping.txt",root/"mapping.txt")
(root/"expected-species.json").write_text(json.dumps(sorted(all_species)))
(root/"input-audit.json").write_text(json.dumps(audit,indent=2))
print("gene_trees",len(trees),"species",len(all_species))
运行当前实现并验收物种集合
已安装的astral4应来自记录清楚的ASTER版本或commit,并通过官方示例。以下两线程只是试跑值;命令与旧Java的java -jar不兼容。保留二进制SHA及安装来源,源码升级时不要复用旧结果的版本标签。
set -euo pipefail
test -s astral-input-001/genes.tre
mkdir astral-run-001
sha256sum "$(command -v astral4)" > astral-run-001/binary.sha256
sha256sum astral-input-001/genes.tre astral-input-001/mapping.txt \
> astral-run-001/inputs.sha256
/usr/bin/time -v -o astral-run-001/run.time astral4 -t 2 \
-i astral-input-001/genes.tre -a astral-input-001/mapping.txt \
-o astral-run-001/species.tre > astral-run-001/stdout.txt 2> astral-run-001/run.log
test -s astral-run-001/species.tre
python3 - <<'PY'
import json
from Bio import Phylo
expected=set(json.load(open("astral-input-001/expected-species.json")))
tree=Phylo.read("astral-run-001/species.tre","newick")
names=[x.name for x in tree.get_terminals()]
assert len(names)==len(set(names)) and set(names)==expected
print("species_checked",len(names))
PY
排错从基因树证据开始
输出缺物种先检查输入树叶与映射,不能仅靠在绘图软件中添加标签补齐。若不同基因具有明显冲突,先查看单基因支持度、缺失模式、旁系同源和比对质量,再解释物种树。局部支持值与基因树bootstrap不是同一统计量,不能混在一列当作同一种支持率。
定根需外群或其他生物学依据,Newick文件的起始括号不能提供这个依据。更换实现时同时复核分支注释和枝长单位,不沿用旧版解析脚本。正式批次保存纳入与排除的基因清单及理由,避免只保留支持预期拓扑的树。
资源试跑按基因树数、物种数和缺失情况选择代表子集,记录墙钟、RSS、输入大小及版本。一次任务使用多个线程与同时运行多个候选方案会叠加资源需求。先完整验收一个方案,再比较不同基因筛选或搜索设置;不能把删掉大量难分析基因后的耗时下降直接当作硬件收益。
输入审阅表还应记录每棵树来源的比对和推断设置,检查是否误将同一基因的多个重复文件当成多个独立证据。不同筛选方案保留各自的纳入表,比较物种覆盖和拓扑变化。将多个个体归为一个物种是明确的生物学假设,映射表不能根据期望树形事后随意修改。
参考资料
需要额外算力时
适用前提:基因树与物种映射可用,任务规模需要额外运行资源。如需额外资源,可评估按任务测算的CPU服务器租赁。咨询时说明软件版本、任务规模和使用期限,配置与支持范围另行确认。
咨询本任务的服务器配置
留下手机号,我们会结合本文任务与您沟通服务器配置和报价。 也可联系云生信企业微信客服,说明本文任务。咨询本任务的服务器配置
