淌若将来几十年，咱们果真领有地球上大量物种的参考基因组，第一件难事可能不是“测出来”，而是“看懂它们之间的联系”。

6月9日，《 Nature Methods》的参议报说念“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。它要处置的问题很基础，却也很辣手：当成百上千个物种的卵白质序列摆在眼前，咱们若何判断哪些基因来自共同祖宗，哪些仅仅相似，哪些履历过复制、丢构怨分化？

这不是软件工程里的小修小补。参议东说念主员报告，OrthoFinder v3 在同源组推断准确性上相对培植约 7%，在大限制物种分析中接近线性扩展，而况能在老例缱绻资源上处理上千个基因组。换句话说，它试图回复一个越来越辛勤的问题：人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）时常指由物种分化事件产生、来自共同祖宗基因的基因；旁系同源基因（paralogs）则往往返自基因复制事件。这个区分看似教科书式，却决定了好多卑鄙推断是否可靠。

举例，把某个形状生物中的基因功能调动到另一个物种时，咱们真确想找的是正交基因，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，后头的功能注释、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）：一组从某个祖宗物种中的单个基因秉承而来的基因聚首。早期版块的 OrthoFinder 仍是把系统发育想想引入正交联系推断，但在同源组折柳上，仍主要依赖基于序列相似性的 Markov Cluster Algorithm（MCL）聚类。问题在于，序列相似性很有效，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 的关键调动，是把同源组也再行放回系统发育框架中谛视。

新版块作念的第一件事：把“混在全部的家眷”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）。它不是简便肯定 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）进行互助分析（gene tree–species tree reconciliation），识别其中的基因复制事件（gene duplication events）。

关键判断是：淌若某个复制事件发生在现时物种聚首共同祖宗之前，那么这个候选同源组很可能把多个祖宗基因的后代空幻地合并到了全部。此时，OrthoFinder v3 会在这些“陈旧复制”节点处切分基因树，把蓝本夹杂的同源组拆成多个更妥贴界说的同源组。

这一步看似仅仅“修领域”，但影响会沿着扫数这个词分析经由传播。因为同源组划错，后续的基因树、物种树、正交联系、复制事件定位齐会被攀扯。参议东说念主员在 OrthoBench 这一众人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方法，也优于 OrthoFinder v2。与使用相易缔造的 v2 比拟，v3 的准确性，也等于调回率（recall）与精准率（precision）的统一平均，培植了 5%–7%。

更故趣味的是，OrthoFinder v3 并不是靠捐躯调回率来换取漂亮的精准率。与 SonicParanoid2 默许形状比拟，SonicParanoid2 的精准率进步 3.7%，但 OrthoFinder v3 的调回率进步19%。这教导咱们一个常被忽略的问题：一个用具“少犯错”可能是因为它“少回复”。在大限制基因组注释中，漏掉大量着实联系相似会带来偏差。

速率问题来了：全对全搜索为什么会变成瓶颈？

传统正交推断时常从全对全序列相似性搜索（all-versus-all sequence similarity search）动手。对小数物种，这不错摄取；对成百上千个物种，缱绻量会飞快扩展。全对全搜索的复杂度随物种数目肖似按泛泛增长，这意味着物种数增多 10 倍，比较限制可能接近增多 100 倍。

这恰是现时生物种种性基因组学濒临的试验压力。著作提到，Darwin Tree of Life 和 Earth BioGenome Project 等计议正在鼓吹大限制参考基因组测序，主义是隐敝大量真核生物物种。地球上已知哺乳动物特出 6000 种，植物约30 万种，虫豸约500 万种，微生物的着实种种性更难推断。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，等于把大限制分析改酿成“中枢集 + 分派集”的两步经由。

不是每次齐从零动手：中枢集与分派集的想路

OrthoFinder v3 的可扩展经由（scalable workflow）先把输入物种分为两个互不重复的聚首：中枢集（core subset）和分派集（assign subset）。参议东说念主员建议，在老例缱绻资源上，中枢集时常少于 100 个物种。第一步，对中枢集进行老例 OrthoFinder 分析，生成一个经过系统发育组织的参考数据库。第二步，再把分派连合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急躁丢弃，而是会在后续门径中识别可能的新同源组。

这套想象背后的想想很径直：当已有一个较可靠的系统发育框架时，新物种无谓让扫数旧物种再行彼此比较一遍。它更像是在已有框架中定位新序列，2026世界杯在线买输赢平台而不是重建扫数这个词天地。

128小期间析1024个卵白组：速率培植不是宣传语

参议东说念主员在 Ensembl rapid release 基因组数据上评估了可扩展性。数据拜谒手艺为 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 个物种的测试聚首。

扫数效具齐在合并 Linux 做事器上运行，分派 32 个线程和最多200 GB 内存，并缔造7 天超时。成果很了了：OrthoFinder v3 是惟一能在 7 天物化内完成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。

在特出 64 个物种的数据集上，OrthoFinder v3 使用新的线性添加经由，比 OrthoFinder v2 快约8 倍。内存方面也有理会改善：在256 个物种时，v3 线性经由比拟 v2 DendroBLAST 的 RAM 耗尽镌汰了3.4 倍；在其他方法约略完成的最大数据集上，OrthoFinder v3 的峰值内存约莫低4 倍。

这些数字的首要性不单在“更快”。它意味着一些蓝本需要高性能缱绻平台才能尝试的问题，可能动手参加世俗实验室做事器的可及范围。

把物种数推到4096：领域在那处？

为了进一步测试极限，参议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，峰值内存耗尽为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 天以上的运行手艺也不行称为轻量级。参议东说念主员也明确指出，OrthoFinder 现时仍主要扩展到“数千物种”级别，距离隐敝地球扫数物种的主义还很远。但在正交推断这个任务上，从几十、几百到数千物种，自己等于一个首要台阶。

准确性有莫得被速率捐躯？QfO基准给出另一组谜底

速率培植最容易激发的问题是：它是不是围聚似缱绻捐躯了准确性？

为回复这个问题，参议东说念主员使用 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 不单比较一个斟酌，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，前者进步约80%。在细菌测试中，OrthoFinder v3 与 FastOMA 的 Robinson–Foulds 距离分别为0.590和0.587，险些接近；但 OrthoFinder v3 的调回率进步23%。

在酶分类保守性（enzyme classification conservation）测试中，OrthoFinder v3 的发达也很有竞争力。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。也等于说，在这个任务上，OrthoFinder v3 同期赢得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 参考连合赢得扫数方法中最高的调回率；在 TreeFam 数据连合，它的调回率为 0.72，略低于 OrthoFinder v2 的0.74。这个细节值得驻守：新方法不是在所计议上单调压过旧方法，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真确问题：咱们想要什么样的“可解说大数据”？

这项参议最值得想考的场地，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履历的范式变化。

当年，许多分析经由默许数据限制有限，因此不错承受大量全对全比较。当今，基因组数据的增长速率迫使方法想象从一动手就琢磨可扩展性（scalability）。但生物学问题又不允许算法只追求速率。正交推断不是世俗聚类任务，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 的想象把这两个主义放在全部：先用系统发育再行矫正同源组领域，培植推断质料；再用中枢集与分派集框架减少重复缱绻，培植可扩展性。这种组合并不料味着问题仍是处置，但它给出了一个通晓主义：将来的比较基因组用具，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

当一个方法能处理 1024、2048、4096 个物种时，迷惑也随之出现：是不是把更多卵白组扔进去，就一定得到更好的谜底？

只怕。中枢集若何聘用、物种树质料若何、卵白注释是否一致、基因模子是否竣工，齐会影响正交推断。OrthoFinder v3 在方法上镌汰了限制门槛，但并莫得取消参议者对数据质料和问题想象的株连。

真刚巧得期待的是，当这种用具参加更多参议经由后，咱们不错淡薄更大要领的问题：某类代谢通路在多个谱系中是否沉寂丢失？某些基因家眷扩张是否与生态适合筹商？功能注释从形状物种迁徙到非形状物种时，哪些联系更可靠，哪些仅仅序列相似酿成的幻觉？

全物种基因组期间不会自动带来领会。它只会带来更多序列、更多相似性、更多可能的误判。要把这些数据升沉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量度的算法。

OrthoFinder v3 的意旨正在这里：它不是把人命之树一次性“算完”，而是让咱们离可缱绻、可考据、可扩展地领会人命种种性更近了一步。

参考文件

Emms DM， Liu Y， Belcher L， Holmes J在线买世界杯平台， 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.