根到末端距离与采样时间之间出现清楚的线性关系,通常是开展时间树分析时值得检查的信号。但一张更好看的回归图,并不能独自证明数据质量已经改善。根的位置、进入拟合的样本、枝长单位和过滤方式都会影响这条线。
本文实际安装 TreeTime 0.12.1,构造十二个带日期的人工末端,只给其中一个增加额外枝长。我们发现,开启时钟过滤后,拟合优度明显提高,但异常末端没有被删除,根的估计日期反而提前约十年。下面沿着原始输出解释这个现象,并给出可复查的控制实验。

时间树输入中的两个尺度
系统树的枝长通常描述每个位点累积的替换量,采样日期描述日历时间。把两者联系起来,需要一个变化速率以及对应的根位置。只要其中一个尺度被误解,输出日期即使格式正确,也可能失去原本的意义。
TreeTime 官方文档介绍了时间树与祖先序列推断等功能。本次只验证输入枝长、日期、时钟回归和时间尺度转换,没有提供序列比对,因此不把结果写成从真实序列完整重建进化历史。
这一区分也决定了如何解读软件日志。程序输出某个替换模型文件,不代表本例真的从核酸数据估计了该模型。由于我们根本没有提交序列,相关默认模型信息只能作为运行环境的一部分,不能被当成生物学证据。
让每个偏差都有已知来源
人工数据包含十二个末端,采样时间从二〇二〇年开始,每隔半年增加一个。原始根到末端距离按照每年千分之一的尺度增长,并叠加很小的确定性扰动。所有末端最初直接连接同一个根,构成星形树。
第二份输入完全保留名称和日期,只把第七个末端的枝长增加百分之二。这个改动代表一个人为指定的长枝偏离,不对应任何真实的测序错误、重组事件或进化速率变化原因。
采用如此简单的树,是为了把位置变化看清楚。它不是现实群体的合理完整模型,尤其不适合据此评估异常识别方法的普遍准确率。但当结果出乎预期时,我们知道自己究竟改变过什么,可以逐项排查。
运行时提供一万的序列长度尺度。这个值帮助程序处理枝长与变化数量相关的尺度关系,却不等于存在一份一万列的真实比对。复现实验应同时记录这个参数和“没有序列输入”的事实。
先关闭过滤,保存基线
最初分别对正常树和加入长枝的树进行时钟检查,显式保留输入根,并把时钟过滤设为零。下面给出长枝输入的实际命令,正常输入只替换树文件和结果目录。
treetime clock \
--tree outlier.nwk --dates dates.csv \
--name-column name --date-column date \
--sequence-length 10000 \
--keep-root --clock-filter 0 \
--rng-seed 216 --outdir outlier_clock
正常输入报告的斜率约为每年千分之一,拟合优度在输出精度下显示为一。加入长枝后,斜率升高,拟合优度下降到零点一一。这符合控制实验的目的,说明新增偏差确实影响了输入根下的回归。
| 条件 | 报告的 R² | 根日期 |
|---|---|---|
| 正常输入,关闭过滤 | 1.00 | 2010.05 |
| 加长枝,关闭过滤 | 0.11 | 2010.15 |
| 加长枝,开启过滤 | 1.00 | 2000.12 |
| 手工移除已知偏离末端 | 1.00 | 2010.05 |
表中的一是格式化显示值,不应理解为所有点在数学上完全落在直线上。实际输入包含小扰动,逐点距离表仍能看到非零残差。
过滤后变好,首先核对到底删了谁
接下来保留其他设置,把过滤阈值设为三,并指定残差方法。
treetime clock \
--tree outlier.nwk --dates dates.csv \
--name-column name --date-column date \
--sequence-length 10000 --keep-root \
--clock-filter 3 --clock-filter-method residual \
--rng-seed 216 --outdir filtered_clock
表面上看,这次结果非常漂亮。斜率恢复到接近基线,拟合优度也重新显示为一。如果只复制最终两行数字,很容易写出“自动识别异常后恢复正常”的结论。
但逐点输出仍然包含十二个末端,第七个末端也在其中。没有出现对应的异常名单,根日期却变成二〇〇〇年附近。输入根下约二〇一〇年的起点,已经被另一个更早的起点替代。
我们又添加剪除异常末端的选项,结果中依然保留十二个末端。原因是此次并没有先产生可供剪除的异常标记。文件名带有剪枝字样,并不能证明真的删除过任何样本,必须查看叶节点名单。
这个检查非常便宜,却能避免一整段错误解释。对任何过滤流程,都应同时保存过滤前后的数量和名称。数量一致不代表完全没变,但数量和名称都没有变化时,就不能宣称异常样本已经被排除。
保留根选项与过滤内部调用并非同一件事
日志显示,开启过滤的命令执行了两次最小二乘重新定根。为确认这不是输入文件混用,我们检查了实际安装版本的源码,并对照该版本的命令包装代码。
在这个版本的时钟检查入口中,过滤步骤会向内部方法传递重新定根设置。未提供其他定根选择时,该调用使用最小二乘方式。随后对保留根选项的处理,并不能撤销此前过滤阶段已经发生的定根。
本例因此不能用“命令里有保留根”证明全程固定了输入根。判断依据应是实际日志和输出拓扑。这个观察限定于所测版本与这条入口,也不意味着所有其他接口或未来版本都会完全相同。
几何上,长枝提供了一个可以移动根的位置。根沿这条边移动后,其他末端的根到末端距离一起改变,而长枝末端自身到新根的距离缩短。程序得到更线性的关系,是改变了度量起点,而不是消除了输入中的那个末端。
真正需要固定外群或其他生物学依据所支持的根时,应把根的约束视为分析设定,并核查每一步是否遵守。不能让回归图的美观程度反过来替代独立的定根理由。
显式固定根后,为何星形树仍然没有异常标记
为了分离命令包装和内部过滤,我们又通过程序接口调用时钟过滤,明确把重新定根参数设为空。这样不再依赖命令行入口的默认调用方式。
tt.clock_filter(
reroot=None,
n_iqd=3,
method="residual"
)
tt.get_clock_model(covariation=False)
星形树的斜率仍约为零点〇〇一一四四,没有恢复成原始基线,也没有任何末端被标为异常。这一次没有重新定根,结果却仍未标记第七个末端,说明还有第二个因素需要解释。
该版本的残差过滤实现还检查末端与根的拓扑关系,直接连接根的末端不会按这条条件被标为异常。我们的星形输入恰好全部属于这种情况。
由此可以看出,过滤阈值不是独立作用于一列数字的通用裁切规则。它与树结构和实现中的保护条件共同工作。把树简化成星形虽然方便教学,也会碰到真实二叉树上不那么显眼的边界行为。
加一层内部节点,反而标出了九个末端
我们进一步构造有两组内部节点的树,每组包含六个末端。每条内部边增加千分之一,同时把对应末端边减少同样的长度,保持各末端最初的根到末端总距离不变。第七个末端依然是唯一被人为额外加长的位置。
在明确不重新定根的接口对照中,残差过滤标记了第四至第十二个末端,共九个。程序同时提示被排除的比例超过三分之一。最终拟合只依据未被标记的少数末端,原树对象仍然保留十二个叶子。
这个结果不能写成自动发现了九个真实错误,因为我们只人为制造了一个偏离。初始回归已经受到长枝影响,其他样本也相对于这条受影响的线产生残差。过滤名单描述的是算法在当前设定下的判定,不是实验设计中的真值。
更不能因为过滤后的相关程度很高,就接受只剩三个样本参与拟合的结果。可用信息量、时间覆盖范围和剔除原因都已经改变。遇到这种大比例标记,应回到数据、根和模型检查,而不是仅展示剩余样本的漂亮拟合。
这里还要区分标记与物理删除。接口结果中的异常标记会影响后续计算,但并未自动让叶节点从树对象消失。批量处理时应分别记录被标记名单、参与拟合名单和最终导出的树,避免三者混为一谈。
手工删除只作为已知真值的控制
最后,我们在人工输入中手工移除那个已知被加长的末端,重新运行关闭过滤的固定根检查。斜率和根日期回到接近正常输入的结果,根日期约为二〇一〇点〇五。
这个对照说明偏离确实来自我们预设的改动,但不构成真实项目中按结果挑选样本的理由。真实数据没有预先给出的错误标签,删除应有质量问题、日期核实或其他可以独立检查的依据。
合适的敏感性分析应同时展示保留与排除后的结果,并说明为什么考虑该样本。若只报告符合预期的一组,读者将无法判断结论是否由人为筛选决定。
从枝长到时间树,还需核对输出单位
在正常输入上,我们另行执行时间树推断,固定速率为每年千分之一,使用输入枝长模式,关闭过滤并保留多分叉。结果根的数值日期约为二〇一〇点〇〇〇六三,十二个末端日期保持输入设定。
treetime --tree base.nwk --dates dates.csv \
--name-column name --date-column date \
--sequence-length 10000 --branch-length-mode input \
--keep-root --clock-filter 0 --clock-rate 0.001 \
--keep-polytomies --max-iter 2 --rng-seed 216 \
--outdir time_tree
输出同时包含时间树、分歧树和节点日期表。它们的用途不同,不应只凭文件都能画树就互相替换。导入后续绘图前,应确认枝长代表时间还是替换尺度,并保留原始日期表作为核对依据。
本例没有评估根日期的不确定区间,没有使用真实比对,也没有检验复杂速率变化。根日期接近设定值,只说明这个受控输入下的尺度转换行为符合预期,不能证明真实研究中已经具备充分的时间信号。
怎样把这些检查用于实际项目
TreeTime 的便利之处在于能够把时钟检查、定根和时间树输出放在相连的流程中。相应的使用要求是,分析者必须知道这些步骤何时改变根、何时忽略日期约束、何时只是标记而没有删除末端。
建议先保留未经筛选的基线,再分别检查固定根、允许定根和有明确理由的样本排除。每一组都记录速率、根日期、参与拟合名单及异常比例。只有变化来源清楚,模型之间的比较才有解释价值。
根到末端回归中的末端也不应被简单当成完全独立的普通观测。共同祖先会使距离共享路径,因此很高的回归拟合程度不等于完整统计验证已经完成。本例主要用于排查工作流程,不提供适用于所有数据的合格阈值。
复现与经验记录
下载本组三篇复现包,使用新的目录执行下面的入口。脚本会重建星形树、嵌套树、已知偏离对照及时间树,保存日志、原生结果和接口标记名单。
python3 216-treetime/run.py /tmp/treetime-demo
本次最有用的经验是,把“结果变好”拆成可以验证的动作。检查根是否移动、哪些末端被标记、哪些真正删除,以及日期尺度是否保持一致,比单独比较一张回归图更能说明流程是否可靠。
当这些检查扩展到多批次样本和多组敏感性分析时,可使用云生信生物信息学分析服务器保存固定环境、输入版本和完整运行记录。
