企业官网建设流程全解析

简介：这份《怎样使用MEGA建立进化树》PDF教程面向生物信息学初学者、分子进化研究相关学生与科研人员，针对使用MEGA 4.0进行系统发育分析的实际需求，完整梳理了从启动软件、选择DNA或蛋白质序列类型、逐条输入并保存序列，到以邻接法、最大似然法等构建并导出进化树的全流程。教程中每一步配有界面操作说明与截图指引，尤其细化了蛋白质序列的粘贴、序列文件命名以及重复输入多条序列时的注意事项，能有效减少入门者常见的操作困惑。资源为单个PDF文件，体积仅212KB，既便于快速下载，也适合在本地随时查阅。已有540人学习下载，内容短小精悍，适合作为构建进化树时的速查手册或课堂辅助材料。

1. 没有序列比对就没有进化树：MEGA建树前必须想清楚的事情

拿到一条线粒体COI片段拖进MEGA，点Build Tree导出图片，这套流程看起来比跑AlphaFold简单太多，可当审稿人问起替代模型、Bootstrap次数、外类群依据时，很多人会发现自己对中间过程一无所知。MEGA（Molecular Evolutionary Genetics Analysis）的优势在于把建树的完整链路显式化：序列比对、位点过滤、替代模型拟合、树搜索、支持率评估，每一步都有对话框让你确认在用什么参数。所以这篇不按“点哪里出图”的顺序写，而是按真实工作流把参数边界讲清楚。第一次建树的实验研究者可以照着跑，常年做系统发育推断的工程师也能用它复盘自己的参数逻辑。先把一个结论放在前面：MEGA建树的质量上限取决于比对质量，不是最后那一下Construct Tree。

2. 从FASTA到比对结果：MEGA里的数据准备与多重序列比对

进化树比较的不是序列本身，而是同源位点上的替换模式。“同源位点”靠的是多重序列比对，把不同序列中来自同一祖先位置的碱基放到同一列。没有这一步，后面的距离计算和似然估计全部建立在一个错位矩阵上。很多人直接拿未比对的序列去跑建树，得到的不是进化树，而是“相似度聚类图”。

MEGA把比对模块内置在Alignment菜单里，支持ClustalW和MAFFT两种算法，不需要命令行基础。但了解两种算法在MEGA里暴露了哪些参数、哪些参数没有被暴露，仍然能帮你避免一批低级错误。

2.1 在MEGA里导入序列：支持哪些格式，我一般怎么整理成FASTA

MEGA支持MEGA格式（.meg）、FASTA、GenBank、Clustal、PHYLIP等多种格式。我习惯统一用FASTA作为上游格式，因为几乎所有测序平台、序列下载工具和脚本都能读写FASTA，排查问题时不至于在格式转换上浪费时间。

序列ID里不要有空格、括号、逗号或竖线，否则MEGA会把ID截断。我一般写成属名_种名_样本号_序列ID，例如：

>Galgal_c_COI_Seq01 ATGACTTACCAATTCAACTAAGCACACCTCTGATAC >Homsap_mtCOI_Seq02 ATGACTCACCAATTCAACTAAACACACCACTGATA

批量数据我会用Biopython做一次轻量清洗再进MEGA。下面这个脚本会合并多行序列、过滤长度过短或N比例过高的记录，顺便把ID里的非法字符替换掉：

from Bio import SeqIO from Bio.SeqRecord import SeqRecord records = [] for rec in SeqIO.parse("raw.fasta", "fasta"): seq = str(rec.seq).replace("-", "").upper().strip() if len(seq) < 300: print(f"drop too short: {rec.id} len={len(seq)}") continue n_ratio = seq.count("N") / len(seq) if n_ratio > 0.2: print(f"drop too many Ns: {rec.id} N={n_ratio:.2%}") continue clean_id = rec.id.replace(" ", "_").replace("|", "_") records.append(SeqRecord(seq, id=clean_id, description="")) SeqIO.write(records, "clean_sequences.fasta", "fasta")

过滤阈值要按研究目的调整：如果片段本身只有300 bp且位于高变区，len < 300会误删；如果做全长CDS，500 bp以下的信息量往往不足。N比例0.2允许序列两端带一点噪声进入比对，建树前还会再修剪，所以不用太保守。

导入操作：菜单Data → Open a File，选择clean_sequences.fasta，双击打开Alignment Explorer。如果弹窗提示格式无法识别，大概率是序列ID里有非法字符，回到清洗脚本里加一层白名单过滤。

2.2 用ClustalW还是MAFFT：MEGA的参数选择与执行步骤

MEGA的Alignment菜单里有Align by ClustalW和Align by MAFFT两个入口。ClustalW是经典渐近比对算法，先算两两距离，再按向导树把序列逐条加进去，缺点是结果受输入顺序影响，对远端同源片段容易开出过长的gap。MAFFT基于快速傅里叶变换和迭代精炼，速度与准确率在核酸和蛋白序列上都更均衡。

执行路径：Alignment → Align by ClustalW，弹窗里选Nucleotide或Protein。如果序列是编码蛋白的CDS（从ATG开始、长度为3的倍数），务必勾选Align Codons，让MEGA按密码子整体对齐。不勾选时，gap可能插到密码子内部，产生移码假象，后续建树会把这些位置当缺失处理，白白丢信息。

MEGA内置的MAFFT只开放了Gap Open Penalty和Offset两个参数，外部MAFFT的--maxiterate、--ep 0等策略没法在这里完全复现。所以超过100条序列时，我一般本地跑mafft --auto in.fasta > aligned.fasta，再把结果导入MEGA做后续操作。MEGA内置比对适合教学和中小数据集验证，不适合做重型计算。

2.3 比对结果如何修剪和查看：哪一类位点要删除

比对完成后，Alignment Explorer里会用颜色标出保守程度：红色代表高度保守，黄色代表中等，绿色代表低保守。如果两端出现大片绿色或深浅条纹，说明端部没有可比性，应当选中删除。

我按列gap比例做客观修剪：某列超过一半的序列是gap或缺失，该列对建树贡献很小，删掉能减少长分支对树形的干扰。这个脚本可以直接处理比对好的FASTA：

from Bio import AlignIO aln = AlignIO.read("aligned_raw.fasta", "fasta") length = aln.get_alignment_length() keep = [] for i in range(length): col = aln[:, i] gap_ratio = col.count("-") / len(col) if gap_ratio < 0.5: keep.append(i) trimmed = aln[:, keep] AlignIO.write(trimmed, "aligned_trimmed.fasta", "fasta") print(f"kept {len(keep)} / {length} columns")

gap比例阈值不只是“允许位点中有gap”的意思，因为MEGA建树时还有一个独立的site coverage cutoff参数会二次过滤，二者作用不同。非编码区或内含子区域建议把阈值放宽到0.7，否则会删掉真正含有插入缺失信号的位置；CDS则可以用0.5甚至0.3，因为编码区的大段indel本来就不常见。

修剪后的文件保存为.meg格式或直接以FASTA留在工作目录。这一步比后面的模型选择更影响Bootstrap支持率：我见过一组数据，修剪前ML树支持率大面积低于50，相同参数下修剪后普遍回到70以上。

3. 利用MEGA选择替代模型并完成建树：从BIC到Bootstrap

数据干净以后，才进入真正意义上“mega进化树”的操作。很多人会直接进Phylogeny → Construct Tree，用默认K2P模型建树。默认K2P被无数教程使用，但默认不等于正确：K2P假设四种碱基频率相等、两种替换速率相同、所有位点同速进化。线粒体COI这类序列往往AT含量偏高，GC含量明显偏离0.25，K2P的假设从一开始就不成立。

3.1 为什么需要Find Best DNA Model：不做模型选择等于让默认模型替你做判断

MEGA专门提供了模型选择入口：Models → Find Best DNA Model。它会一次性拟合多套替代模型，输出每个模型的BIC、AICc和lnL，并给出推荐模型。模型选择解决的本质问题是：解释同一组序列变异时，用多少参数、哪些参数更划算。参数太少欠拟合，参数太多过拟合，BIC就是两者之间最常用的裁判。

BIC和AIC的差异经常被忽略：AIC在样本量增大时倾向保留更多参数，容易选出GTR+G+I这类复杂模型；BIC对参数数量惩罚更重，选择更保守。现代分子系统发育论文里普遍建议报告BIC选出的模型，避免不必要的过度参数化。如果序列只有1500 bp且亲缘关系很近，BIC选出的可能就是HKY或K2P，这完全正常，不必为了“显得专业”手动改成GTR。

提示：如果BIC最小的两个模型差值小于2，统计上几乎等价，选参数更少的那个更稳妥。

3.2 MEGA构建ML树的路径与三个关键参数

模型选择完成后，建ML树的入口是Phylogeny → Construct/Test Maximum Likelihood Tree。弹出的对话框里，有三个参数必须确认：

Bootstrap次数直接决定运行时间。30条×1500 bp的数据，1000次ML Bootstrap通常几分钟内完成；序列数到100条以后，建议先不开Bootstrap看拓扑，再用1000次验证关键节点。搜索算法方面，MEGA提供NNI和SPR等启发式方法，默认NNI速度快，SPR搜得更彻底但耗时上升。数据量不大时，我一般手动切到SPR。

模型选择窗口里的表，全选复制后可以保存成文本做二次整理。下面这段脚本能快速捞出BIC最小的模型：

with open("model_selection.txt", encoding="utf-8") as f: content = f.read() best_model = None best_bic = float("inf") for line in content.splitlines(): parts = line.split() if len(parts) >= 2 and parts[1].replace(".", "").isdigit(): bic = float(parts[1]) if bic < best_bic: best_bic = bic best_model = parts[0] print(best_model, best_bic)

这里假设复制出来的文本中第一列是模型名、第二列是数字，实际输出结构会因MEGA版本略有差异。跑之前先head看两行，确认BIC列在哪一列。脚本的价值不是省那几秒眼睛，而是把“模型选择”这一步变成可复核的文本记录，写方法部分时直接引用文件名。

3.3 NJ树与ML树怎么配合：两类树的适用节奏

MEGA里同时提供Construct/Test Neighbor-Joining Tree和Construct/Test Maximum Likelihood Tree。NJ是距离法，先算两两遗传距离再聚类，速度极快，对模型依赖小；ML把整棵树的拓扑和分支长度放在同一个似然框架里优化，统计上更强，但计算代价高。

我一般的工作节奏：数据量大时先用NJ出全局拓扑，看哪些分支支持率高、哪些东倒西歪；再对问题分支上ML树精算。NJ在存在长分支时容易产生长枝吸引，所以论文里的主树应优先用ML树，NJ树作为早期探索和对拍工具。把两种方法的结果放在一起看，还能快速暴露异常样本——如果在两棵树里位置分歧明显，多半这条序列需要回查比对。

4. 进化树的结果判读与参数再调整

树出来后，最常见的坑是不会看。一张进化树图片包含三层信息：拓扑结构（谁和谁先分开）、分支长度（累积替换量）、支持率（分叉的可信度）。MEGA默认用百分比显示支持率，越接近100越可靠。但支持率的含义不是“该分叉发生的概率”，而是“Bootstrap重抽样数据集中复现该分叉的频率”。

4.1 从Newick里批量提取支持率：用脚本找出薄弱分支

MEGA可以通过File → Export Current Tree (Newick)把当前树导出为.nwk文本文件。除了拓扑和分支长度，内部节点上还带有Bootstrap支持率。用Biopython解析后，可以批量找出所有支持率低于阈值的内部分支，并看到它们连接的是哪些末端样本：

from Bio import Phylo import io newick_text = open("result.nwk", encoding="utf-8").read() tree = Phylo.read(io.StringIO(newick_text), "newick") low = [] for clade in tree.find_clades(): if not clade.is_terminal() and clade.confidence is not None: descendants = [c.name for c in clade.get_terminals()[:4]] if clade.confidence < 70: low.append((clade.confidence, descendants)) low.sort() for val, tips in low: print(f"{val:3d}% : {', '.join(tips)}")

阈值70对应下方表格中的“中等支持”线。跑完你会得到一份“不稳定分支清单”，后面的数据排查都可以围绕这份清单展开：是某条可疑序列在干扰，还是这个分支本身缺乏信号。脚本没有改变任何参数，它只是把树的内部信息变成可操作的文本。

4.2 Bootstrap支持率的分段解释与常见误区

把Bootstrap值直接当后验概率解读是最常见的错误。Bootstrap的做法是重抽样原始位点列，重新建树，统计目标分支在重复树中出现的比例；后验概率是贝叶斯框架下对拓扑、枝长、模型参数设置先验后算出的条件概率。ML框架下没有后验概率，所以不应该写出“支持率95%即该分支真实概率95%”这类表述。

Bootstrap次数上，有人为了“支持率高”把重复设到5000，跑一整天，最后数值几乎不变。支持率偏低是数据信号或模型问题，不是重复次数的问题，1000次已足够收敛。

4.3 外类群设置：树是“无根”的，方向感全靠外类群

MEGA建出来的ML树默认是无根树，图上所有末端到根的距离不代表演化方向。想让树“有方向”，必须显式指定外类群（Outgroup）。选择原则是：与研究类群亲缘关系最近、但明确不属于该类群的物种，而不是随便抓一个远缘物种。

操作上，在树形窗口里右键点击外类群的末端节点，选择Set as Outgroup，MEGA会重新以它为根绘制有根树。外类群选得太远，会把长分支集中在根部，改变内部节点的相对位置，甚至翻转某些短分支。

提示：如果外类群分支长度显著长于内部分支，优先检查它是不是拼接不完整的序列混进来了。这种假长枝会拖动整个根部的形态。

5. 常见“树不对”的情况与一个保底技巧

5.1 Bootstrap支持率普遍偏低时，先改什么

支持率大面积低于50，先别急着换模型。按顺序检查三处：比对是否做过gap列修剪；是否把内含子和外显子混在同一段里比对；序列末端低质量区域是否已经清除。90%的“ML树跑不出支持率”都出在这三个环节。数据问题排除后，再把均匀速率改成Gamma分布，把Partial deletion的Site Coverage Cutoff调到95%以上，支持率通常能回升10到20个百分点。

也要接受另一种情况：某些分支本身只支持一个无分辨率的多分叉（polytomy）。这时如实报告多分叉，比强行选一个支持率40%的二叉分支更严谨。

5.2 大数据集（大于200条序列）时MEGA还是很慢

MEGA在100条序列以内运转流畅，超过200条以后ML搜索会明显吃力。常见做法是用外部MAFFT做比对，用列覆盖度过滤做修剪，再把结果导入MEGA建NJ树看全局；精细树计算交给RAxML或IQ-TREE这类并行工具。MEGA更适合教学演示、中小数据集的完整流程验证、以及快速跟合作者确认分支关系。

5.3 保底技巧：导出Newick，让所有下游工具都能接手

很多人把MEGA的树截图贴进PPT就结束了，但下游的FigTree、ggtree、iTOL都无法读取图片。正确做法是File → Export Current Tree (Newick)，保存一份.nwk文本。之后在FigTree里打开，统一字体、颜色和分支粗细，导出300 dpi的PDF。

我常用的一条经验是：MEGA里的树先导出Newick，再在FigTree里把支持率大于等于70的分支加粗，低于70的用细线或虚线段，审稿人一眼就能看出证据薄弱的节点。树的元数据全部保留在文本文件里，任何时候都能重新读入，比截图可复现得多。配合模型选择时留下的文本记录，整条MEGA建树路径就具备了完整的审计链。

本文还有配套的精品资源，点击获取