
HyPhy批量分析应从科学问题选择方法,而不是对每个基因同时运行所有命令后挑显著结果。本篇固定维护分支HyPhy 2.5.103,演示FEL单方法队列;这不代表当前HyPhy各分支都使用相同接口。先验证密码子比对与树,再保留每个基因的JSON、日志和资源记录。
把方法问题与并发配置分开
FEL、MEME和BUSTED的假设与检验单位不同,不能把它们输出中的某个数字统一当成“基因p值”。下表用于选入口;正文只执行FEL,其他方法需另建任务协议并核对对应参数。重组、同源关系、阅读框、树质量以及研究分支的定义,都应在检验前检查。
| 方法 | 主要问题 | 解释单位 |
|---|---|---|
| FEL | 位点上持续性选择信号 | 逐位点,并核对所检分支 |
| MEME | 位点上间歇性选择信号 | 逐位点,非FEL同义结果 |
| BUSTED | 基因在部分位点/分支上的间歇性选择 | 基因层面的适用假设 |
| CPU与外层并发 | 一次调用与同时任务数 | 资源设置,不改变检验问题 |
检查一个基因的比对与树
环境需要Python 3与Biopython。将下列保存为check_codons.py。输入为标准核遗传密码的密码子比对,本例至少四个样本,允许NNN及整密码子gap,拒绝部分缺口和明确终止密码子。安全ID同时用于树叶,避免程序自动名称规范化造成难以追踪的映射。
import re,sys
from Bio import SeqIO,Phylo
records=list(SeqIO.parse(sys.argv[1],"fasta"));ids=[r.id for r in records]
assert len(ids)>=4 and len(ids)==len(set(ids))
assert all(re.fullmatch(r"[A-Za-z][A-Za-z0-9_]*",x) for x in ids)
lengths={len(r.seq) for r in records}
assert len(lengths)==1;length=lengths.pop();assert length>0 and length%3==0
for r in records:
seq=str(r.seq).upper();assert set(seq)<=set("ACGTN-")
assert set(seq)&set("ACGT"),"全缺失序列"
for i in range(0,length,3):
codon=seq[i:i+3]
assert "-" not in codon or codon=="---"
assert codon not in {"TAA","TAG","TGA"}
tree=Phylo.read(sys.argv[2],"newick")
names=[x.name for x in tree.get_terminals()]
assert len(names)==len(set(names)) and set(names)==set(ids)
print("taxa",len(ids),"codons",length//3)
固定版本、线程和随机种子
alignments/基因.fa对应trees/基因.nwk,文件名使用字母数字、下划线或短横线。下面先顺序运行,CPU=2是内部线程教学值。ENV=RANDOM_SEED在2.5.101及以后版本才真正设置随机发生器,不能照搬到更早版本后声称可复现。安装包也应先通过官方测试。
set -euo pipefail
mkdir hyphy-fel-001
version=$(hyphy --version 2>&1)
printf '%s\n' "$version" > hyphy-fel-001/version.txt
[[ "$version" =~ (^|[^0-9])2[.]5[.]103([^0-9]|$) ]]
shopt -s nullglob
files=(alignments/*.fa)
test "${#files[@]}" -gt 0
for input in "${files[@]}"; do
gene=$(basename "$input" .fa)
[[ "$gene" =~ ^[A-Za-z0-9_-]+$ ]]
out="$PWD/hyphy-fel-001/$gene"
mkdir "$out"
tree="trees/$gene.nwk"
python3 check_codons.py "$input" "$tree" > "$out/input-check.txt"
sha256sum "$input" "$tree" > "$out/inputs.sha256"
/usr/bin/time -v -o "$out/run.time" hyphy CPU=2 ENV=RANDOM_SEED=101 fel \
--alignment "$input" --tree "$tree" --code Universal --branches All \
--output "$out/FEL.json" > "$out/run.log" 2>&1
test -s "$out/FEL.json"
python3 - "$out/FEL.json" <<'PY'
import json,sys
def reject(value):raise ValueError("non-finite JSON value: "+value)
data=json.load(open(sys.argv[1]),parse_constant=reject)
assert isinstance(data,dict)
assert isinstance(data.get("analysis"),dict) and isinstance(data.get("input"),dict)
print("JSON结构可读,统计结果仍需按FEL字段审核")
PY
done
技术通过后再审统计结果
逐基因读取日志、analysis版本信息、实际输入和FEL位点表。按JSON中headers解释列义,不硬编码所有方法共用的列号。确认分析位点、缺失处理、所检分支和数值拟合合理,再按预先确定的阈值及多重检验方案汇总。未发现显著位点是有效结果分支,不能当程序失败;空JSON或模型异常则不能当作阴性证据。
本例在首个错误停止,失败目录保留用于排查,后面的基因属于未运行。版本不符先核安装来源,ID不一致先核输入映射,终止密码子先回查CDS和阅读框,不通过删日志或替换字符强行继续。改输入、方法、前景分支或遗传密码时建立新任务版本。
为不同序列数和比对长度选代表基因,记录完整任务墙钟、RSS及JSON大小;再试小规模外层并发。CPU=2与同时运行两项不是同一设置,二者占用会叠加;不指定CPU时程序可能按基准选择线程,不利于固定资源比较。保留原始JSON及逐基因状态,避免只导出显著列表后丢失未完成任务。
汇总前明确多重检验所覆盖的基因和位点集合,并保留未检验位点及原因。不同方法结果不一致时回到各自假设、分支集合和输入质量解释,而非只保留显著的一种方法。若变更版本,先重跑代表基因验证JSON字段与拟合行为,再更新全队列解析脚本。
参考资料
需要额外算力时
适用前提:方法适用性确认且输入有效,多基因计算需要持续资源。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
