如若明天几十年，咱们真实领有地球上精深物种的参考基因组，第一件难事可能不是“测出来”，而是“看懂它们之间的关系”。

6月9日，《 Nature Methods》的究诘报说念“OrthoFinder: improved phylogenetic orthology inference with enhanced accuracy and scalability” ，更新了一款比较基因组学中的中枢用具 OrthoFinder。它要搞定的问题很基础，却也很辣手：当成百上千个物种的卵白质序列摆在眼前，咱们怎么判断哪些基因来自共同先人，哪些仅仅相似，哪些阅历过复制、丢构怨分化？

这不是软件工程里的小修小补。究诘东说念主员知道，OrthoFinder v3 在同源组推断准确性上相对晋升约 7%，在大限制物种分析中接近线性扩展，而况能在成例诡计资源上处理上千个基因组。换句话说，它试图修起一个越来越要紧的问题：生命之树正在被测序填满，咱们的算法跟得上吗？

“同源”不是“长得像”：比较基因组学最容易踩的坑

在比较基因组学中，正交基因（orthologs）不竭指由物种分化事件产生、来自共同先人基因的基因；旁系同源基因（paralogs）则不竭来自基因复制事件。这个区分看似教科书式，却决定了许多下流推断是否可靠。

举例，把某个形状生物中的基因功能变嫌到另一个物种时，咱们信得过想找的是正交基因，而不是一个“看起来很像”、但其实来自陈旧复制事件的旁系同源基因。若第一步认错，背面的功能精致、进化分析、基因家眷扩张判断，齐可能被连带影响。

OrthoFinder 的中枢任务之一，是识别同源组（orthogroups）：一组从某个先人物种中的单个基因剿袭而来的基因推敲。早期版块的 OrthoFinder 还是把系统发育想想引入正交关系推断，但在同源组区分上，仍主要依赖基于序列相似性的 Markov Cluster Algorithm（MCL）聚类。问题在于，序列相似性很灵验，却不总能告诉咱们复制事件发生在物种分化之前如故之后。

此次 v3 的关节调动，是把同源组也再行放回系统发育框架中凝视。

新版块作念的第一件事：把“混在通盘的家眷”再行断绝

OrthoFinder v3 引入了立异的系统发育同源组界定（phylogenetic delineation of orthogroups）。它不是简便礼服 MCL 聚类给出的启动分组，而是先为每个候选同源组构建基因树（gene tree），再将基因树与物种树（species tree）进行协作分析（gene tree–species tree reconciliation），识别其中的基因复制事件（gene duplication events）。

关节判断是：如若某个复制事件发生在刻下物种推敲共同先人之前，那么这个候选同源组很可能把多个先人基因的后代舛讹地合并到了通盘。此时，OrthoFinder v3 会在这些“陈旧复制”节点处切分基因树，把原来搀杂的同源组拆成多个更合乎界说的同源组。

这一步看似仅仅“修范围”，但影响会沿着总共分析历程传播。因为同源组划错，后续的基因树、物种树、正交关系、复制事件定位齐会被牵扯。究诘东说念主员在 OrthoBench 这一民众校订参考数据集上测试后发现，OrthoFinder v3 在同源组推断中优于扫数比较递次，也优于 OrthoFinder v2。与使用交流设备的 v2 比拟，v3 的准确性，也便是调回率（recall）与精准率（precision）的调节平均，晋升了 5%–7%。

更专诚想的是，OrthoFinder v3 并不是靠点燃调回率来换取漂亮的精准率。与 SonicParanoid2 默许形状比拟，SonicParanoid2 的精准率跨越 3.7%，但 OrthoFinder v3 的调回率跨越19%。这提醒咱们一个常被忽略的问题：一个用具“少犯错”可能是因为它“少修起”。在大限制基因组精致中，漏掉精深确凿关系一样会带来偏差。

速率问题来了：全对全搜索为什么会变成瓶颈？

传统正交推断频频从全对全序列相似性搜索（all-versus-all sequence similarity search）入手。对少许物种，开云体育中国一站式服务官网这不错剿袭；对成百上千个物种，诡计量会马上延迟。全对全搜索的复杂度随物种数目类似按平方增长，这意味着物种数加多 10 倍，比较限制可能接近加多 100 倍。

这恰是刻下生物种种性基因组学靠近的推行压力。著述提到，Darwin Tree of Life 和 Earth BioGenome Project 等策划正在鼓舞大限制参考基因组测序，成见是笼罩精深真核生物物种。地球上已知哺乳动物卓绝 6000 种，植物约30 万种，虫豸约500 万种，微生物的确凿种种性更难测度。测序速率上来了，推断用具却可能被数据限制拖住。

OrthoFinder v3 的第二个中枢更新，便是把大限制分析改变成“中枢集 + 分派集”的两步历程。

不是每次齐从零入手：中枢集与分派集的想路

OrthoFinder v3 的可扩展历程（scalable workflow）先把输入物种分为两个互不重复的推敲：中枢集（core subset）和分派集（assign subset）。究诘东说念主员建议，在成例诡计资源上，中枢集不竭少于 100 个物种。第一步，对中枢集进行成例 OrthoFinder 分析，生成一个经过系统发育组织的参考数据库。第二步，再把分派蚁集的新物种基因快速分派到这些中枢同源组中。

这里用到的是 SHOOT profile algorithm 的扩展版块。它会从中枢同源组的多序列比对（multiple sequence alignment， MSA）中抽取代表性序列，构建同源组 profile，再使用 DIAMOND 将新基因分派到合适的中枢同源组。未能分派的基因并不会被奸猾丢弃，而是会在后续身手中识别可能的新同源组。

这套联想背后的想想很平直：当已有一个较可靠的系统发育框架时，新物种无须让扫数旧物种再行互比拟较一遍。它更像是在已有框架中定位新序列，开云世界杯官网(中国)而不是重建总共天地。

128小时辰析1024个卵白组：速率晋升不是宣传语

究诘东说念主员在 Ensembl rapid release 基因组数据上评估了可扩展性。数据拜访技艺为 2024 年 8 月 29 日，最终整理出包含 1789 个物种的卵白组数据集，并用系统发育种种性分析器（phylogenetic diversity analyzer， PDA）抽样构建从2 到 1024 个物种的测试推敲。

所灵验具齐在并吞 Linux 办事器上运行，分派 32 个线程和最多200 GB 内存，并设备7 天超时。效力很明晰：OrthoFinder v3 是独一能在 7 天收尾内完成1024 个物种正交推断的用具，耗时128 小时。SonicParanoid2 快速形状和 FastOMA 是另外两个能在 7 天内完成 512 个卵白组分析的用具，但莫得完成 1024 个物种这一层级的测试。

在卓绝 64 个物种的数据集上，OrthoFinder v3 使用新的线性添加历程，比 OrthoFinder v2 快约8 倍。内存方面也有显明改善：在256 个物种时，v3 线性历程比拟 v2 DendroBLAST 的 RAM 消费裁减了3.4 倍；在其他递次大致完成的最大数据集上，OrthoFinder v3 的峰值内存大致低4 倍。

这些数字的要紧性不单在“更快”。它意味着一些原来需要高性能诡计平台才能尝试的问题，可能入手干预平素实验室办事器的可及范围。

把物种数推到4096：范围在那儿？

为了进一步测试极限，究诘东说念主员又使用细菌数据集构建了 2048和4096个物种的分析。OrthoFinder v3 在 2048 个细菌物种上耗时50 小时完成；在 4096 个细菌卵白组上耗时13 天 15 小时完成，峰值内存消费为504 GB。

FastOMA 看成主要对照用具，也完成了 2048 个细菌物种分析，但耗时 14 天；关于 4096 个物种数据集，则未能完成。

这里需要保捏克制：504 GB 内存并不是小资源，13 天以上的运行技艺也不行称为轻量级。究诘东说念主员也明确指出，OrthoFinder 刻下仍主要扩展到“数千物种”级别，距离笼罩地球扫数物种的成见还很远。但在正交推断这个任务上，从几十、几百到数千物种，自己便是一个要紧台阶。

准确性有莫得被速率点燃？QfO基准给出另一组谜底

速率晋升最容易激励的问题是：它是不是蚁集似诡计点燃了准确性？

为修起这个问题，究诘东说念主员使用 Quest for Orthologs（QfO）2022 基准数据集进行评估。该数据集包含 78 个参考卵白组，其中有48 个真核生物、23 个细菌和 7 个古菌。QfO 不单比较一个方针，而是从物种树一致性、酶分类保守性、东说念主类校订参考集等多个角度评估正交推断质料。

在真核生物物种树不一致性测试中，OrthoFinder v3 的 Robinson–Foulds 距离略高于 FastOMA，分别为 0.06和0.05；但 OrthoFinder v3 的调回数为15721，而 FastOMA 为8686，前者跨越约80%。在细菌测试中，OrthoFinder v3 与 FastOMA 的 Robinson–Foulds 距离分别为0.590和0.587，简直接近；但 OrthoFinder v3 的调回率跨越23%。

在酶分类保守性（enzyme classification conservation）测试中，OrthoFinder v3 的阐发也很有竞争力。它的精准率为 0.933，调回数为183368；FastOMA 的精准率为0.928，调回数为157049。也便是说，在这个任务上，OrthoFinder v3 同期获取了略高的精准率和更高的调回。

在东说念主类校订参考集方面，OrthoFinder v3 在 Vertebrate Gene Nomenclature Committee（VGNC）和 SwissTree 参考蚁集获取扫数递次中最高的调回率；在 TreeFam 数据蚁集，它的调回率为 0.72，略低于 OrthoFinder v2 的0.74。这个细节值得防备：新递次不是在扫数方针上单调压过旧递次，但举座上处在多个基准测试的 Pareto frontier 上，即在准确性与调回才气之间形成较优折中。

一个用具更新背后的信得过问题：咱们想要什么样的“可证据大数据”？

这项究诘最值得想考的地点，不仅仅 OrthoFinder v3 又快了若干、准确了若干，而是它体现了比较基因组学正在阅历的范式变化。

往日，许多分析历程默许数据限制有限，因此不错承受精深全对全比较。当今，基因组数据的增长速率迫使递次联想从一入手就探究可扩展性（scalability）。但生物学问题又不允许算法只追求速率。正交推断不是平素聚类任务，它必须尊重物种分化、基因复制、基因丢失这些进化过程。

OrthoFinder v3 的联想把这两个成见放在通盘：先用系统发育再行改造同源组范围，晋升推断质料；再用中枢集与分派集框架减少重复诡计，晋升可扩展性。这种组合并不虞味着问题还是搞定，但它给出了一个表现成见：明天的比较基因组用具，不行只会“比相似”，还必须会“读历史”。

数据越大，越需要问对问题

当一个递次能处理 1024、2048、4096 个物种时，招引也随之出现：是不是把更多卵白组扔进去，就一定得到更好的谜底？

只怕。中枢集怎么遴荐、物种树质料怎么、卵白精致是否一致、基因模子是否竣工，齐会影响正交推断。OrthoFinder v3 在递次上裁减了限制门槛，但并莫得取消究诘者对数据质料和问题联想的职守。

真巧合得期待的是，当这种用具干预更多究诘历程后，咱们不错建议更大表率的问题：某类代谢通路在多个谱系中是否放心丢失？某些基因家眷扩张是否与生态顺应关联？功能精致从形状物种迁徙到非形状物种时，哪些关系更可靠，哪些仅仅序列相似变成的幻觉？

全物种基因组时间不会自动带来交融。它只会带来更多序列、更多相似性、更多可能的误判。要把这些数据动荡为进化和功能层面的学问，咱们需要的不是更大的表格，而是能在限制与准确性之间作念出严肃衡量的算法。

OrthoFinder v3 的意旨正在这里：它不是把生命之树一次性“算完”，而是让咱们离可诡计、可考据、可扩展地交融生命种种性更近了一步。

参考文件

Emms DM开云2026世界杯中国官网， Liu Y， Belcher L， Holmes J， Kelly S. OrthoFinder: improved phylogenetic orthology inference with enhanced accuracy and scalability. Nat Methods. 2026 Jun 9. doi: 10.1038/s41592-026-03126-6. Epub ahead of print. PMID: 42265210.