1. MSA 概述与同源性概念
同学们好，我是老王。今天开始咱们聊聊多序列比对。我记得刚接触 MSA 那会，总以为它就是简单地把几条序列对齐。结果第一次跑了个蛋白家族的数据，出来的结果乱七八糟。
MSA 是什么？说白了，就是把三条或更多生物序列（DNA、RNA 或蛋白）按进化保守位点对齐的过程。对齐之后，列与列之间的对应位置代表同源位点——也就是有共同祖先起源的位置。
我习惯把 MSA 理解为一座桥梁：一端连着原始序列数据，另一端连着进化分析、结构预测、功能注释。你想想看，如果这座桥歪了，后面的分析还能靠谱吗？
1.1 同源性的基本概念
同源性（homology）这个词，其实在生物学里有点特殊含义。它不表示“相似度多少”，而是一个定性判断——两条序列是否有共同祖先。要么同源，要么不同源，没有“50% 同源”这种说法。
我在项目中遇到过不少学生拿“同源性”当“相似性”用。嗯，这里要分清楚：
| 概念 | 含义 | 常见误解 |
|---|---|---|
| 同源性 (homology) | 有共同祖先（定性） | 常被当作百分比的“同源性” |
| 相似性 (similarity) | 序列一致的程度（定量） | 可能同源但相似度低 |
| 一致性 (identity) | 完全相同的残基比例 | 严格对齐才能计算 |
1.2 MSA 为什么重要？
做生物信息学，逃不开 MSA。我个人认为它的核心价值有三点：
- 揭示保守区域——功能重要的位点往往在进化中保持不变。对齐后一眼就能看出来。
- 构建进化树的基础——没有好的 MSA，进化树就是空中楼阁。
- 辅助结构预测——同源建模依赖序列-结构对应关系。MSA 质量决定了模型成败。
拿一个简单例子来说。下面是几条短蛋白序列的示意对齐：
序列1: MKFLILFN---YILFLLS---SACLISF
序列2: MKFLILFN---YILFLLS---SACLISS
序列3: MKFLFLFN---YILFLFS---NACLISF
序列4: MKFLFFFN---YILFLFS---NACLISS看到重叠的“MKFL”和“YIL”区域了吗？这些就是保守模体。我在分析一个酶家族时，正是通过这样一个简单对齐发现了活性中心的三个关键残基——之前文献里只提到了两个。
1.3 同源性范围的影响
做 MSA 最常犯的错误之一，就是选错序列集的范围。
同源性范围指你纳入比对的序列彼此之间进化关系远近的跨度。范围太窄或太宽都会出问题：
- 范围太窄（比如同一个物种内的旁系同源物）——序列太像，保守位点区分不出来，无信息位点过多。
- 范围太宽（比如跨界的远缘同源）——对齐不稳定，空位满天飞，同源关系模糊。
- 混入非同源序列——这是最致命的，会直接破坏整个 MSA 的结构。
我建议的做法是：先根据已知的进化关系（比如物种树、蛋白家族分类）大致划分范围，再跑一个初步 MSA 看看有没有明显不对劲的序列。
1.4 本章知识结构
这一章我们建立的基本框架，可以用下面这张图来概括。SVG 展示的是 MSA 与同源性评价的整体逻辑——从输入序列到输出决策的流程。
1.5 同源类型的区分
做 MSA 分析时，我常常需要先判断序列之间的同源类型。它们决定了你怎么解释比对结果：
- 直系同源 (orthologs)：源自物种形成事件的分化。功能通常保守。适合做功能预测。
- 旁系同源 (paralogs)：源自基因复制事件。功能可能分化。做 MSA 时容易出现长度差异大的区域。
- 异源同源 (xenologs)：通过水平基因转移获得。在细菌和古菌中很常见，经常打乱同源性假设。
我记得有个案例：分析一个细菌的耐药蛋白家族时，混入了两个通过质粒水平转移进来的异源同源序列。当时如果没做进化树检查，差点把功能注释搞反了。
1.6 同源性范围选择的核心原则
多年的经验让我总结出一条核心原则：宁可先宽后窄，不要先窄后宽。
为什么？如果你一开始选了很窄的范围，后面发现需要加序列进去重新跑 MSA，新增序列往往会被现有对齐“固定住”，导致新序列被迫适应已有的空位模式，产生系统性偏差。
反过来，先在一个较宽的范围里跑 MSA，识别出稳定保守的区域后，再提取这些区域做更集中的分析，结果会更可靠。
# 1. 用 hmmsearch 跑一个较宽的同源集
hmmsearch --cut_ga --domtblout output.dom target.hmm seqdb.fasta
# 2. 初步 MSA 用 MAFFT 做
mafft --auto --thread 4 input.fasta > msa_initial.fasta
# 3. 用 trimAl 或 BMGE 去除空位过多列
trimal -in msa_initial.fasta -out msa_trimmed.fasta -gt 0.2
# 4. 检查保守位点比例，决定是否需要剪枝你看，整个过程就是个迭代优化的过程。没有一把梭的完美 MSA，只有不断调整同源性范围才能逼近真实。
1.7 本章小结
好，咱们来捋一下这一章的核心：第一，同源性是定性概念，不是百分比；第二，MSA 的质量严重取决于你选了多少序列、选了什么样的序列；第三，处理同源性范围时，记住“先宽后窄”的原则，留出迭代调整的空间。