software

trimAl 实跑,修剪以后少了哪些列,为什么还可能少了样本

作者:发布于 2026-11-17约 10 分钟阅读
修剪之后,哪些列和样本没了。实际运行 1.5.1,追溯阈值与输出变化。阈值,非空位要求越高越严格,最低保留比例会改变筛选结果。映射,旧列索引从零开始,保留映射,才能追溯原始位置。空行,只修剪列也可能少样本,互补输出未必覆盖原始全空列。

多序列比对完成后,常见的下一步是去除缺口多或对应不可靠的区域。trimAl 能把这一步放进批量流程,但“修剪成功”并不只是结果文件变短。保留下来的列原来在哪里,某些序列是否变成全空行,参数要求之间是否存在取舍,都直接影响后面的建树和位点解释。

本文实际运行 trimAl 1.5.1,使用能够逐列手算的人工蛋白比对,检查缺口阈值、最低保留比例、列编号、互补输出及空序列处理。重点是让修剪成为一个可追溯的筛选过程,而不是在流程里加上一条无法解释的自动命令。

修剪之后,哪些列和样本没了。实际运行 1.5.1,追溯阈值与输出变化。阈值,非空位要求越高越严格,最低保留比例会改变筛选结果。映射,旧列索引从零开始,保留映射,才能追溯原始位置。空行,只修剪列也可能少样本,互补输出未必覆盖原始全空列。
实际运行 1.5.1,追溯阈值与输出变化

缺口阈值的方向,先用四条序列算清楚

本次输入包含四条人工序列、二十个比对列。我们分别安排了四条都有残基、三条有残基、两条有残基、一条有残基以及全为空位的列,并穿插几列无缺口但字符不同的位置。这样既能检查缺口比例,也能区分缺口与保守性。

缺口阈值使用的是一减去缺口比例,等价于本例每列的非空位比例。因此,数值越高,要求越严格。四条序列中三条有字符,对应的非空位比例是零点七五,而不是缺口比例零点七五。

本次实际运行中,阈值为零点七五时,这类三条有字符的列仍被保留。只有两条有字符的列则被删除。阈值边界的行为直接由小例子验证,避免只凭参数名称猜测“缺口阈值越大是否允许越多缺口”。

缺口阈值 本次保留列数 非空位要求
0.25 17 至少四分之一
0.50 14 至少二分之一
0.75 11 至少四分之三
1.00 7 四条都有字符

原始输入中有三列全部为空位,以上运行均未保留它们。这一组结果适用于本次版本、没有附加最低保留比例的运行。若再叠加其他条件,最终保留结果可能发生变化,不能把表中的规则无条件套到所有组合命令上。

怎样安装运行并保存实际输出

本次使用固定摘要的公开容器,包版本为一点五点一,程序报告 v1.5.rev1,构建日期为二〇二五年十一月二十五日。脚本记录实际版本与全部参数,没有把不同版本的输出混在一起比较。

完整输入生成、运行命令与结果核验代码放在本组三篇复现包。在具有 Python 3 和 Docker 的 Linux 环境中运行 205-trimal/run.py,传入一个新的工作目录,便会生成二十列输入、各类修剪结果以及逐列映射。

核心命令如下。比对内容写到指定文件,列映射从标准输出另存。两个文件的用途不同,不能把列映射行混入 FASTA 后继续交给下游。

trimal -in input.afa -out retained.afa \
  -fasta -gt 0.75 -colnumbering > retained.columns.txt

trimal -in input.afa -out complementary.afa \
  -fasta -gt 0.75 -complementary -colnumbering \
  > complementary.columns.txt

trimal -in input.afa -out keep60.afa \
  -fasta -gt 1 -cons 60 -colnumbering > keep60.columns.txt

这些人工序列没有生物学来源,也不是一个进化模型模拟。我们没有利用它们比较建树准确率,只检查筛选规则和文件行为。数据很小,运行耗时不能用来推算大型项目的性能。

官方使用说明列出了各选项,并提醒不同版本的修剪结果可能存在差异。对可复现分析,记录实际版本与保留列列表,通常比只写一个自动模式名称更有价值。

没有缺口,不等于对应可靠或字符保守

本次使用完全去除缺口列的选项,保留七列,与缺口阈值为一时一致。但其中包含一列四个字符分别为 A、C、D、E,还有其他无缺口但字符不同的列。这些列满足完整性要求,并不因此变成保守位点。

相反,一列只在两条序列中出现相同字符,另外两条都是空位,它在已观察到的字符中看起来一致,却只有一半样本有覆盖。保守程度与覆盖程度属于不同维度,不能用某一个数值代替另一个。

修剪也不重新建立残基对应关系。如果上游已经把不对应的区域排在一起,去掉若干缺口多的列,并不能保证剩下的列就具有正确的进化同源关系。重要区域仍然需要回到上游比对与输入序列进行审阅。

本次自动缺口模式与自动选择模式均保留十一列,恰好与手工阈值为零点七五相同。这只是当前二十列输入的结果,不说明这些模式在其他家族中等价。自动策略根据输入特征作出选择,换一个家族或改变样本范围,保留集合可能变化。

还有两个名称相近的选项需要区分。去除所有含缺口的列,本次只保留七列。只去除全空列,则保留十七列。前者要求所有样本都有字符,后者只排除完全没有字符的列,二者差别远大于字面上多了一个词。

最低保留比例会改变硬阈值的结果

把缺口阈值设为一时,本次单独运行只保留七列。再要求至少保留原始列数的百分之六十,输出增加到十二列。二十乘以百分之六十等于十二,软件为了满足最低保留量,保留了部分原本不满足该缺口阈值的列。

因此,这两个参数组合起来,不能解释为“所有保留列都没有缺口,并且刚好保留六成”。本次第十五个原始列只有一半样本有字符,也进入了结果。检查输出时应同时审阅阈值条件与最低保留比例,而不是只报告较严格的那个参数。

最低保留比例的含义是约束输出规模,并不是承诺剩余列至少具有某种生物学质量。当输入本来很困难时,强制保留更多列可能留下较弱的区域。反过来,完全不限制保留规模也可能使输出过短,难以支撑下游问题。

合理做法是预先说明筛选目标,再检查保留量是否符合分析需求。若一批家族中只有少数需要依赖最低保留比例“补足”列数,这些家族应该单独列出审阅。不能让它们在汇总表里与自然满足阈值的家族看起来完全一样。

本次数据只用于展示参数之间的实际关系,不能据此推荐真实项目统一保留六成。不同长度、进化距离和缺失模式的家族,所需判断条件并不相同。规则应服务于研究问题,而不是为了让所有结果具有整齐的比例。

列映射从零开始,名称像选择却是在删除

本次列映射输出以 #ColumnsMap 开头,后面记录保留列在原比对中的从零开始的索引。例如阈值为零点七五时,前几项是 0, 1, 5, 6,对应读者通常使用的原始第一、第二、第六和第七列。

这份映射不是原始序列的残基编号,也不是某条参考去掉缺口后的编号。它只联系修剪前后的比对列。若还要连接功能注释,需要再经过原始比对列到参考残基的映射,不能跳过这一层坐标转换。

本次脚本按映射从原输入中提取列,再逐行比较是否与修剪结果完全一致。所有运行都通过了这项投影检查。这比仅比较输出长度更有力,因为同样保留十一列,也可能保留了不同位置。

手动列选项也容易误读。我们实际传入索引零、二、四,软件删除的是这些原始列,并不是只保留它们。由于其中一个本来就是全空列,另外两个全空列也未保留,最终输出十五列。只根据参数名中的“选择”推断方向,会得到相反的操作。

在脚本调用中还要注意参数如何拆分。本次将左右花括号与中间的索引列表作为独立参数传入。把整个带括号列表作为一个参数时,初次运行没有通过解析。遇到这类错误,应先核对实际参数列表,不要直接修改生物学阈值来尝试解决语法问题。

互补输出为什么不能简单拼回原文件

直觉上,保留结果与互补结果加起来应该正好是原比对。实际运行中,前者有十一列,后者只有六列,二者加起来是十七,少了原始的三列全空列。这三列在两份输出中都不存在。

如果想还原原始列结构,需要根据各自映射放回对应位置,再明确处理原先全空的列。把两个文件横向拼接,即使总长度碰巧正确,也会打乱原始顺序。列映射才是恢复顺序的依据。

互补结果还出现了行数变化。原始四条序列中,后两条在这六个被剔除的列上全部为空位,因此默认互补输出只留下两行。额外保留空序列后,输出才包含四个名称,其中后两行都是六个空位。

这一点很重要,因为修剪常被理解为“只动列,不动样本”。实际输出可能顺带移除已经没有字符的行。若下游仍按原样本数制作标签、分组或分区表,就可能发生错配。

互补文件适合帮助审阅被剔除区域,但不能直接被当成完整、独立且包含全部样本的另一份数据。使用它之前,同样要核对行名、列映射和空序列。保留与剔除两侧的检查标准应一致,而不是只验收主结果。

一个短片段怎样在修剪后消失

我们另外构造了四行输入,其中一条短片段只有前五列包含字符,其余位置都是空位。使用相同缺口阈值后,保留的是原始后十列,短片段在这些列上没有任何残基。

默认运行输出三行,短片段不再出现。加上保留空序列选项后,输出四行,但短片段那行是十个空位。两种结果都没有给这个样本创造新的信息,差别只是是否保留一个空的身份占位。

因此,保留空序列不能解决样本没有有效覆盖的问题。若项目要求该样本参与后续推断,应回到输入长度、区域选择和筛选目标检查。把全空行送进下游,通常不能替代对有效信息不足的处理。

对于批量家族,可以汇总修剪前后样本数、列数、每个样本剩余非空位字符数,以及被移除名称。这样能够区分列减少与样本退出,并帮助定位某些样本是否在多个家族中持续缺少覆盖。

怎样把修剪结果交给下游

一份可追溯的交付应同时包含原始比对、修剪后比对、保留列映射、参数和样本变化记录。若使用互补输出,也要标明全空列是否被排除,以及空行是否被保留。

本次经验是先检查规则方向,再检查输出规模,最后检查坐标与身份。不要用“文件变短了”代替质量判断,也不要只因为自动模式没有报错,就认为所有家族都适合相同阈值。关键区域和异常家族仍需要结合上游比对审阅。

多基因拼接还需要重新计算分区边界。例如一个基因原来有一百列,修剪后剩八十列,那么下一基因在新拼接矩阵中的起点就应从第一百零一列变为第八十一列。即使每个家族的修剪都正确,继续沿用旧分区文件仍会把位点分配给错误模型。应根据各个最终文件的实际长度重新生成分区,并检查区间是否连续、是否超出总长度。

编码序列还要考虑阅读框。如果直接按核苷酸单列删除,可能破坏三碱基块的对应。对于需要密码子模型的下游,应按分析设计保留完整密码子块,或者使用有明确回译关系的蛋白比对流程,并在修剪后重新核对阅读框。这是额外的结构约束,不能由一个缺口比例阈值自动保证。

trimAl 的优势是把筛选规则变成可批量执行的步骤,局限是这些规则只反映指定的统计特征。它不会替研究者决定哪些进化信息值得保留。保留原始数据与映射,可以让后续的敏感性比较有据可查。

当列映射、样本变化检查与批量建树需要组合成完整流程时,可结合实际项目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 ↗