把一个新样本放进已有系统树,常常比重新分析全部序列更符合日常更新需求。UShER 可以完成这样的增量放置,但使用者必须同时理解新增简约分数、最优位置数量和背景树状态。只读第一列分数,很容易把没有信息误当成证据充分。
本文实际安装 UShER 0.6.6,构造四个背景样本和五个变异位置。通过完整基因型、全部缺失、全部参考状态以及额外突变四组输入,观察软件怎样选择位置,再检验不确定性阈值是否真的阻止样本进入最终树。

先弄清楚正在更新哪棵树
UShER 的输入背景不是一张只有形状的树图。它需要已有样本的拓扑和变异信息,形成记录节点突变的树对象。新样本到来后,程序在这个背景上寻找增加变化次数较少的位置。官方方法与参数说明介绍了这一流程及其单核苷酸变异表示。
因此,放置结果始终依赖当前背景。背景中缺少某个真实谱系,新样本也只能在现有候选位置之间比较。某个位置获得最低分,不意味着世界上不存在更合适但尚未被采样的近缘样本。
实际项目应给背景树单独编号,并把它与参考序列、位点处理规则、构建日期一起保存。若今天和上周的放置结果不同,首先检查背景是否更新,再考虑样本本身是否改变。否则一次正常的背景扩充也可能被误解为分析不可重复。
用五个位点构造可手工核对的输入
本次背景拓扑由两个小组组成,每组两个样本。第一组的两个成员在前两个位置携带替代碱基,第二组的两个成员在第三、第四个位置携带替代碱基。第五个位置暂时全部为参考状态,专门留给新增突变对照。
全部输入由脚本生成,没有使用真实感染者、物种群体或临床记录。树文件最初的枝长只是输入占位,后续结果中表示变化次数的枝长不能据此解释成日历时间或流行病学传播间隔。
| 对照 | 五个位点的状态 | 新增分数 | 最优位置数 |
|---|---|---|---|
| 已有型 | 1 1 0 0 0 | 0 | 1 |
| 全缺失 | . . . . . | 0 | 3 |
| 全参考 | 0 0 0 0 0 | 0 | 1 |
| 新突变 | 1 1 0 0 1 | 1 | 1 |
表中的数字一代表该行定义的替代等位状态,零代表参考状态,点号代表缺失。它们是单倍体编码,不要把这里的零和一直接当成二倍体杂合或纯合标签。
这个设计的价值在于,每次改变都能对应一个明确问题。全缺失用于检查信息不足,全参考用于检查明确的参考证据,额外突变用于检查新增变化的代价。把它们混在一批真实样本里观察,反而不容易看清软件行为。
安装后先建立可重复使用的背景对象
本次采用固定镜像摘要的容器,在 Linux 中执行全部命令,镜像、版本、日志及输入生成脚本都保存在复现包里。环境限制为两个逻辑处理器和四吉字节内存,实际命令使用一个线程。这是小型行为验证,不是计算性能测评。
建立背景对象的实际命令如下。输入树和背景变异表中的四个样本名称一一对应。
usher -t base.nwk -v base.vcf \
-o base.pb -T 1 -d build
本次生成的背景简约总分为四,对应两个分组各自需要解释的两处变化。保存的树对象在工作目录中,而文本输出进入指定目录。脚本实际检查文件所在位置,没有根据文件名想当然地拼接路径。
还有一个容易忽略的细节。当前实测版本在保存树对象时压缩了相同序列的叶节点,虽然这条命令没有添加主动折叠树的选项。重新载入后的内部表示与最初四个叶子逐一展开的图并不相同。
因此,最优位置数必须针对实际载入的树理解。本例观察到三个最优位置,不能拿一张未经压缩的示意图数出七个节点,就认定程序漏掉了四个位置。复查时应同时查看压缩状态、节点突变和展开后的样本名单。
零分只回答新增代价,没有回答信息是否充分
四种查询分别从同一个背景文件重新加载,每次只加入一个样本。这样可以确保对照之间的差异来自输入基因型,避免前一个查询先改变树,再影响后一个查询。
已有型样本的新增分数为零,最优位置数为一,落在与第一组一致的位置。额外突变样本仍然落在这一组,但新增分数变成一,输出突变路径中出现第五个位点的变化。
最容易误读的是全缺失样本。它的新增分数也为零,但存在三个同样优的放置位置。零分在这里并不是它与某个谱系高度一致,而是输入缺少足够状态,无法要求程序为这些位置增加变化代价。
如果把全部零分样本统一标记为高可信,就会把已有型和全缺失型放进同一个质量等级。二者的数值相同,证据结构却完全不同。一个是观测状态与背景相容,另一个是观测状态不足以排除多种解释。
这种区别也适用于部分缺失的真实数据。应同时统计可判定位点、被遮蔽区域和关键分支上的区分位点是否覆盖,而不能只看整条序列的大致长度。较长序列若在关键区域缺失,仍可能留下多个相容位置。
缺失与参考状态不能相互替换
全部参考状态的查询同样取得零分,但本例只有一个最优位置。它明确表示五个位点都观察到参考状态,这与五个位点都不知道是什么并不等价。
将缺失值批量替换成参考状态,会凭空增加支持某些位置的证据。这类错误不会必然导致程序报错,反而可能让最优位置数量减少,使结果表看起来更加确定。运行成功因此不能代替输入语义检查。
本例使用完整列出的五个位点,便于直接比较两种编码。真实变异文件可能只记录部分位置,还可能受到可调用区域、质量过滤和参考版本影响。对未出现的记录应如何解释,必须在变异生成流程中明确,不能在放置阶段临时猜测。
实际交接时,可以要求上游同时提供缺失区间或可调用区域的说明。若一个样本在某段区域没有可靠覆盖,就应保留其不确定性。保留缺失可能让结果不够漂亮,但比制造确定的参考状态更接近原始证据。
不确定样本为何出现在某个具体位置
默认运行仍然会输出一棵树,全缺失样本在本次结果中被放到根附近。这个具体位置不意味着其他两个等价解释已经被数据否定,只说明程序需要从并列结果中给出一个输出。
为了看清这种情况,我们对同一个查询启用多位置输出。
usher -i base.pb -v missing.vcf \
-M 20 -T 1 -u -d enumerate_missing
实际得到三棵树,分别把这个样本放在根附近、第一组和第二组,三者的简约总分都为四。这里设置的二十是输出上限,并不是要求程序制造二十个结果。本例只有三种被枚举出的同等最优放置。
这些树适合用于说明位置不确定性的范围,但不能直接当作三个独立生物学重复。也不应给每棵树机械分配相同的后验概率,因为当前目标函数和输出规则并没有完成这样的概率推断。
展示结果时,可以在图注中写明存在三个等价位置,并附上候选分支。只给读者看默认树而隐藏不确定性,会使一条为了可视化而选定的分支承担过多解释。
用冻结背景的评分模式定位问题
另一个实用对照是只计算候选位置分数,不实际改变背景树。本次运行如下。
usher -i base.pb -v missing.vcf \
-p -T 1 -d score_missing
输出的逐节点评分表中,三个内部候选位置都显示零新增代价。这个文件比只看最终树更适合排查并列结果,因为它直接展示了程序比较过哪些位置以及各自的分数。
但读取时仍要尊重实际表示。本次表中两个压缩叶代表还出现了非零候选分数,不能根据“所有输入都是缺失”就先验断言每一行必然相同。把原生评分文件与当前树一起保留,才有条件检查这些内部候选的含义。
普通放置会逐个加入查询,后面的样本可能面对已经更新的树。冻结评分则保持输入背景。两种模式回答的问题不同,不宜把前者整批结果与后者独立评分逐行混用,尤其是在批次内存在相近新样本时。
阈值拒绝后,程序仍然可以正常结束
我们把允许的同等最优位置数设为二,再放入拥有三个位置的全缺失样本。
usher -i base.pb -v missing.vcf \
-e 2 -T 1 -u -d reject_uncertain
程序返回成功状态,结果目录也存在,但这个样本没有进入最终展开树。评分表仍保留它的零分和三个最优位置,因此“有评分行”同样不等于“已经纳入树中”。
自动流程应分别记录提交样本、得到评分的样本和最终纳入的样本。三份名单的差集能够说明哪些样本被拒绝,以及拒绝是否符合预期。只统计任务退出码,会漏掉这种业务层面的筛选结果。
如果采用阈值剔除,还应在方法部分交代阈值和剔除数量。这里的二只是为构造清楚的演示而选定,不是适用于所有病原体和背景树的推荐标准。真实阈值需要结合缺失程度、背景覆盖和研究问题制定。
相同序列的一个位置,不等于锁定一个个体
已有型查询只有一个最优放置位置,但背景第一组中有两个相同基因型的样本。当前数据无法仅凭这五个位点判断它更接近其中哪一个个体。
因此,分支定位、样本相似性和直接传播关系应分开表述。树上的邻近可以支持进一步筛查,却不能替代接触时间、地理信息、采样完整性或其他独立证据。
同样,新增分数为一不等于“距离真实祖先一代”,更不是一次传播事件。这个分数是在给定背景和变异表示下增加的简约代价,不能自行转换为时间、传播次数或祖先身份。
优点、限制和日常复核顺序
这个工具的实用优势是能够复用已有背景,把新增样本的放置、评分和候选位置检查连接起来。我们的四组对照只需切换查询文件,就能定位输入信息量造成的差异,而无需每次从头构建整棵树。
限制同样来自这个设定。背景树遗漏的谱系、变异文件中的错误状态和缺失处理方式都会传递到结果中。更低的新增代价不能自动修复上游问题,也不能替代对背景拓扑本身的验证。
日常复核可以按三个层次进行。先确认参考与位点编码一致,再联合检查新增分数和最优位置数,最后核对实际进入输出树的样本。若出现大量并列放置,应回到缺失分布和背景覆盖,而不只是提高允许的不确定性阈值。
这次实跑中,原始背景文件在全部查询前后的校验值完全一致,保证了独立对照确实使用同一个起点。真实项目若需要连续更新,应另存新背景并记录版本关系,避免下一次分析无法追溯输入状态。
获取脚本和核对依据
下载本组三篇复现包,解压后执行下面的入口。脚本会生成原始树、变异文件、逐项日志、评分表和真实结果记录,建议使用新的工作目录。
python3 217-usher/run.py /tmp/usher-demo
UShER 官方仓库提供源码和安装资料。本例只验证小型人工输入下的行为,没有测量大型背景的吞吐量,也没有将五个位点的演示结果推广为真实数据的准确率。
当项目需要持续维护背景树、批量放置样本并保留可追溯的运行记录时,可结合数据规模使用云生信生物信息学分析服务器组织环境与计算任务。
