4. 序列相似性与同源性的关系
很多初学者搞混一件事：以为两条序列长得像，就一定是同源。我当年也犯过这个错，在项目里对着一个BLAST结果兴奋半天，结果被导师一句话点醒：“相似不等于同源，但同源必然相似。” 这章我们就来掰扯清楚这个核心逻辑。
4.1 相似性与同源性：两个完全不同的概念
我先给你画个边界。
- 相似性 (Similarity)：序列间残基对匹配的定量度量。可以算百分比，也能算得分。它是数学事实，不依赖进化假设。
- 同源性 (Homology)：两条序列由共同祖先序列演化而来。这是进化假设，是定性判断（要么是，要么不是），没有“50%同源”这种说法。
我记得有一次审稿，看到一篇文章写“这两条序列有40%的同源性”，我直接在review里说：这种表述不专业。同源是二值逻辑，不是连续变量。你只能说“40%的序列一致性”，然后推断它们可能同源。
关键原则：相似性可以测量，同源性只能推断。高相似性提供同源假设的证据，但永远不能100%证明同源。
4.2 为什么高相似性≠同源？
说白了，两条序列撞脸也可能因为趋同进化，或者纯粹随机。举个例子：一个由重复短片段构成的蛋白质，跟另一个完全不同的蛋白质在某段上碰巧相似，这不稀奇。
我做过一个细菌基因组注释项目，一条功能未知的ORF跟真核生物的肌动蛋白有35% identity。乍一看挺唬人，但仔细检查数据库发现这个相似区域全是疏水残基组成，属于“频繁出现的模式”。后来实验验证，那根本不是肌动蛋白同源物，而是一个膜脂合成的酶。这就是典型的假阳性。
相似性到什么程度才能较可靠地推断同源？工程上我们有个经验窗口：
| 序列一致性（全长比对） | 同源推断可靠性 | 典型场景 |
|---|---|---|
| ≥ 30% 并且比对覆盖 > 80% | 较可靠（但对短序列仍需小心） | 远缘同源检测 |
| ≥ 50% 并且比对覆盖 > 80% | 高度可靠 | 近缘直系同源鉴定 |
| ≤ 20% | 不可靠，极可能假阳性 | 需结构或保守基序辅助 |
注意：这个表格只适用于全长比对。局部的短片段高相似（比如200nt的序列有95% identity）可能是水平转移或重复元件，不能轻率判定同源。
4.3 统计显著性才是法官
光看百分比不够。你得问：这个相似性在随机背景下出现的概率有多大？这就是 BLAST 的 E-value（期望值）登场的地方。
E-value 不是“同源概率”，而是“在相同大小的数据库里随机找到同样得分比对的期望次数”。E-value 接近0，说明这个比对结果几乎不可能来自随机。工程上我们一般取 E-value < 1e-5 作为同源候选的筛选门槛。但别死板——如果你的数据库是整个人类基因组，E-value 阈值可以更严（1e-10 甚至 1e-20），不然你得到成千上万个“显著”hit，很多是重复和低复杂度区域。
我的习惯：运行 BLASTP 时我会加 -evalue 1e-5 -max_target_seqs 100 先粗略扫一遍，然后对候选进行多重序列比对和结构域分析，最终确认同源关系。千万不要只看 E-value 就下结论。
4.4 相似性度量：Identity vs. Similarity
你做 MSA 分析时会遇到两个常用指标：
- Identity（一致性）：完全相同的残基比例。这个最直观，但也最苛刻——只要突变就降低。
- Similarity（相似度）：不仅包含相同残基，还包括带相似理化性质的替换（如 Ile ↔ Val, Asp ↔ Glu）。通常会拿一个打分矩阵（比如 BLOSUM62）来判断替换是否为“正分”，正分残基对算相似。
我个人经验：在同源检测时，相似度往往比严格的一致性更有用。尤其是远缘同源，很多位置是保守替换，如果只用 identity 会漏掉大量真实同源。比如我遇到过细胞色素C家族成员间只有22% identity，但相似度达到55%，通过结构比对发现它们折叠形式完全一样，是确凿的同源。
所以当你在论文或报告里写“两条序列的同源性”时，正确的做法是写“序列一致性为28%，相似度为45%，结合保守结构域分析，推测为远缘同源”。
4.5 假阴性与假阳性的两难
你设的阈值越严（比如只接受 identity > 50% 作为同源），假阳性越低，但假阴性越高。反过来，放宽阈值（identity > 20% 就算同源），你会抓回更多真实同源，但同时引入大量随机相似。
我曾经在一个宏基因组项目中面对一堆未培养微生物序列，保守点用 identity ≥ 35% 作为同源阈值，结果只标出不到20%的序列。实际上后来用 HMM 搜索在原核同源群（COG）中找到了将近60%的序列有远端同源——当初的假阴率太高了。所以建议：对未知数据先用宽松阈值粗筛，再用结构域模型确认。
警告：不要把序列一致性阈值当万能键。不同蛋白家族、不同长度、不同进化距离下的可靠阈值不一样。始终结合 E-value、比对长度、保守基序和结构信息综合判断。
4.6 本章逻辑图：从相似到同源的推理链条
下面我用一张SVG图把这个推理链条可视化出来。画布背景浅蓝，节点用高对比色，文字白色，箭头深灰。
从图上你可以看到：两条序列→MSA比对→测量相似性+计算统计显著性→做出同源推断→进一步验证。这是一个完整链条，缺了任何一环都可能导致误判。
4.7 实战避坑清单
我这些年踩过不少坑，总结几个常见问题：
- 误用“同源性百分比”：不要写“40%同源”，写“40%序列一致性”。这能避免审稿人找你麻烦。
- 只看identity不看比对覆盖度：两条序列在10个残基上100%一致，但全长只有10个残基，这种相似毫无意义。我从NCBI上扒过数据，很多假阳性就是这种短匹配。
- 忽略重复区域和低复杂度区域：BLAST有低复杂度过滤选项（
-seg），记得打开。我一开始没用这个选项，结果得到一堆假阳性，全是poly-proline stretch 匹配。 - 同源推断后不做结构域检查：只用BLAST E-value < 1e-5 就认定为同源，容易漏进趋同进化或基因盗用的情况。最好再跑Pfam或InterProScan确认结构域存在。
小技巧：如果你用Python做大规模同源分析，可以在输出表格里同时保留 identity、coverage、evalue、bitscore 四个字段，然后根据业务场景设置多层过滤。我写过一个pipeline，先用coverage > 70% + evalue < 1e-5 粗筛，再用identity > 25% + bitscore > 50 精筛，效果很不错。
总之，你心里要有一根弦：相似性是证据，同源是结论。永远别把证据当结论。带着这根弦去做MSA分析，能少走很多弯路。