5种分子数据实战：从SNP到单拷贝基因的系统发育树构建指南

5种分子数据实战：从SNP到单拷贝基因的系统发育树构建指南

刚接触系统发育分析的朋友，常常会面对第一个、也是最关键的一个困惑：我手头有不同类型的分子数据，到底该用哪一种来构建进化树？是用全基因组重测序得到的海量SNP，还是用转录组测序的基因表达矩阵，或者是费尽心思找出来的那些单拷贝同源基因？选错了起点，后续的分析流程可能事倍功半，甚至得出误导性的结论。这篇文章不打算泛泛而谈理论，而是想和你分享我这些年处理不同数据类型的实战经验，从数据特性、适用场景，到具体的预处理命令和软件搭配，一步步拆解。无论你是生物信息学的初学者，还是需要快速为特定研究问题选择数据类型的研究者，希望这份聚焦于“数据选择”的指南，能帮你绕过我当年踩过的那些坑，更高效地构建出可靠、有生物学意义的系统发育树。

1. 数据基石：五种分子数据类型的深度解析与选择逻辑

构建系统发育树，第一步永远是理解你的“建筑材料”。不同的数据类型，其信息含量、进化速率、受选择压力影响的程度都截然不同，这直接决定了它们所揭示的进化关系层次和适用范围。我们不能简单地说哪种数据“更好”，而应该说，针对你的具体科学问题，哪种数据“更合适”。

1.1 SNP数据：高分辨率与群体历史的探针

SNP（单核苷酸多态性） 如今已成为群体遗传学和系统发育研究中最常见的数据类型之一，尤其是在拥有多个个体或近缘物种的全基因组重测序数据时。它的核心优势在于位点数量巨大，能提供极高的分辨率，非常适合用于解析种内群体结构、近期分化事件以及基因流。

然而，直接用原始SNP构建物种树需要格外小心。一个主要的陷阱是不完全谱系分选（ILS） 和基因流。单个SNP位点承载的进化历史可能不代表整个物种的历史。因此，基于SNP构树，我们通常不是简单地用所有位点 concatenate（串联）起来跑一个模型，而是采用多物种溯祖（MSC）模型的软件，如 SNAPP（集成在BEAST2中）或 SNP-sites 结合 RAxML 的联合分析思路。

注意：使用SNP数据前，务必进行严格的质控，包括剔除缺失率过高的个体和位点，以及进行连锁不平衡（LD）修剪，以避免位点间的非独立性影响树的结构。

一个典型的从VCF文件开始，准备SNP数据用于简约法或距离法分析的流程如下：

# 使用vcftools进行基础过滤
vcftools --vcf raw_snps.vcf --max-missing 0.9 --minQ 30 --minDP 5 --maxDP 50 --recode --out filtered_snps

# 将VCF转换为Phylip格式（适用于RAxML等软件）
# 可以使用vcftools的--phylip输出，或使用其他工具如PGDSpider
vcftools --vcf filtered_snps.recode.vcf --phylip --out snps_for_phylip

# 如果需要用于SNAPP分析，则需要转换为Nexus格式，并指定为二态性数据
# 这通常需要自定义脚本或使用BEAST2提供的转换工具

适用场景总结：

• 目标：解析近缘物种/种内群体间的精细关系，检测杂交和基因流事件。
• 优势：位点多，分辨率高，对近期进化事件敏感。
• 挑战：需处理ILS问题，数据量大，计算资源要求高。
• 推荐软件：SNAPP (BEAST2) 用于物种树推断；RAxML 或 FastTree 可用于快速获得一个初步的基于串联SNP的树。

1.2 转录组数据：功能基因的进化快照

利用转录组（RNA-seq） 数据构建系统发育树，本质上是利用表达基因的编码序列。这尤其适用于那些基因组尚未测序的非模式生物。你得到的不再是全基因组的随机SNP，而是正在表达的、可能具有重要功能的基因集合。

处理转录组数据的关键步骤是从头组装和同源基因鉴定。流程比处理基因组SNP更复杂一些：

1. 组装与注释：使用Trinity、SOAPdenovo-Trans等对每个物种的RNA-seq数据进行从头转录本组装，并通过TransDecoder等工具预测编码区（CDS）。
2. 直系同源基因聚类：使用OrthoFinder、OrthoMCL等工具，将所有物种的预测CDS进行聚类，找出直系同源基因群。
3. 序列提取与比对：从每个直系同源群中提取单拷贝或低拷贝基因，进行多序列比对（如使用MAFFT、Clustal Omega）。
4. 序列串联或 coalescent分析：将多个单拷贝基因的比对结果串联成一个“超级基因”，或者使用ASTRAL、MP-EST等基于基因树汇总物种树。

# 示例：使用OrthoFinder进行直系同源基因聚类
orthofinder -f /path/to/proteome_fastas -t 16 -a 16

# OrthoFinder运行后，会在结果目录中生成单拷贝直系同源基因序列文件
# 通常位于 `Orthogroups/Single