第2章：序列同源性的定义与类型

说实话，刚入行做MSA那会儿，我总把「同源性」和「相似性」混着用。直到在一次跨物种功能预测项目里，把两个假基因当真直系同源去对齐，结果功能注释全错了……从那以后，我才真正把这两个概念刻在脑子里。

这一章咱们就把同源性的底裤扒清楚。你想想看，如果连手里的序列是兄弟还是表亲都分不清，MSA做得再漂亮，结论也可能翻车。

2.1 同源性 ≠ 相似性

这是最基础也最容易踩的坑。同源性（homology）是个二元概念——两条序列要么同源（来自共同祖先），要么不同源。没有「50%同源」这种说法。相似性（similarity）才是一个连续值，可以用百分比衡量。

我在项目中见过有人把两条趋同的蛋白酶直接当同源处理，结果MSA里插了好多假阳性空位。后来我养成了习惯：在做任何MSA之前，先跑一轮BLAST的E-value和保守位点分布，心里先有个底。

2.2 同源性的三种类型

同源序列按进化事件分成三大类。我建议你把这张表记熟，每次拿到新序列就从这里开始判断。

类型	起源事件	功能关系	典型场景
直系同源（Orthologs）	物种形成	通常功能相同/非常相似	跨物种基因注释、功能转移
旁系同源（Paralogs）	基因复制	可能功能分化（旁系异源或旁系同功）	基因家族分析、功能演化研究
异源同源（Xenologs）	水平基因转移	功能不可预测	原核生物、寄生虫基因组、抗生素抗性

2.2.1 直系同源（Orthologs）

直系同源是MSA最喜闻乐见的类型。两条序列分别来自两个物种，因物种分化事件分开，理论上保留了祖先的原始功能。我个人习惯在构建直系同源MSA时使用高严格度的gap penalty，因为这类序列的保守区域通常很清晰。

举个例子：人类α-珠蛋白和小鼠α-珠蛋白就是直系同源。它们的序列一致性通常在70%以上，MSA几乎不需要手动调整。

2.2.2 旁系同源（Paralogs）

旁系同源由基因复制产生。复制后其中一份可能保持原功能，另一份则可能获得新功能（neofunctionalization），或者俩都退化（subfunctionalization）。我处理过一个案例：植物中的MADS-box基因家族，同一物种内有十几个旁系同源，功能从花发育到果实成熟各不相同。如果把它们一股脑丢进MSA而不做亚家族分类，比对结果基本没法用。

所以——对于旁系同源，我建议先做聚类，分亚家族后再分别比对。每次这样处理，AIC/BIC评分都能高不少。

2.2.3 异源同源（Xenologs）

异源同源通过水平基因转移获得。说实话，常规的分子进化工具对这种类型处理起来很棘手，因为物种树和基因树会严重冲突。我在分析原核泛基因组时遇到过多次：两个菌株里同一个基因簇看上去很像，但实际一个是垂直遗传，一个是水平获取。如果不加区分混入MSA，空隙分布会异常，进化模型也会被带偏。

2.3 同源性范围对MSA的影响

不同类型的同源序列，对MSA的参数选择和后续分析策略影响很大。我梳理了一个快速决策表，你可以直接当作备查清单。

同源类型	推荐比对策略	常见陷阱	我的经验值（0-5星）
直系同源	全局+严格gap	错判为旁系，低估保守性	★★★★☆
旁系同源（亚家族内）	全局+适度gap	忽视亚家族差异，过度对齐	★★★★★
旁系同源（跨亚家族）	局部或一致性序列引导	强制对齐产生虚假保守位点	★★★☆☆
异源同源	谨慎参与；或排除后单独分析	污染系统发育信号	★★☆☆☆

2.4 本章知识结构一览

下面这张图把同源性的定义、类型、以及每类对MSA的影响串起来了。你可以把它当作一个快速检查卡。

2.5 同源性判定的实操要点

光有概念不够，得能上手判定。我一般走三步：

1. BLAST双向最佳匹配：直系同源通常互为最佳Hit。如果A vs B的最佳Hit不是对方，那就得留神了——可能是旁系或异源。
2. 构建物种树和基因树：拓扑一致 → 强证据直系；不一致 → 疑似旁系或HGT。
3. 检查基因共线性：同一条染色体上相邻基因的保守性也能辅助判断。我曾在酵母基因组里用该方法纠正了三次误判。

# 一个简易的判断伪代码（Python风格）
def classify_homology(seqA, seqB, speciesA, speciesB):
    score = blast_bidirectional(seqA, seqB)
    if score < 1e-5:
        return "非同源"
    if speciesA == speciesB:
        return "疑似旁系同源（同物种内）"
    else:
        # 跨物种
        tree = build_quick_tree(seqA, seqB, outgroup)
        if tree.topology_match:
            return "直系同源（强证据）"
        else:
            gc_diff = gc_content(seqA) - gc_content(seqB)
            if abs(gc_diff) > 0.08:
                return "可能异源同源，建议排除"
            else:
                return "直系同源（弱证据，需手动确认）"

嗯，这段代码我一直在本地脚本里用着。虽然不是百分百准确，但能筛掉80%以上的麻烦。