基于OrthoFinder、IQtree、Notung和iTOL的基因树构建与可视化全流程解析

1. 从零开始：为什么你需要这套“组合拳”？

如果你正在研究基因家族，比如像我一样捣鼓过植物的抗病基因，那你肯定遇到过这个头疼的问题：手里有一堆来自不同物种的基因序列，想知道它们之间的进化关系，画出一棵靠谱的基因树。这听起来是个标准操作，但真做起来，你会发现从原始序列到一棵漂亮、有根、还能讲故事的基因树，中间隔着好几个“坑”。

我刚开始的时候，以为用一个软件就能搞定。结果要么是软件不给力，比如OrthoFinder虽然能找同源基因和建物种树，但它生成的基因树限制太多，你的目标基因家族很可能被拆得七零八落，根本拼不到一棵树上。要么就是软件功能单一，比如IQtree建树很强，但它给的是无根树，你看着那棵树杈不知道该从哪里“种”下去。更别提后续的基因复制、丢失事件分析了，感觉流程是断的，工具是散的。

后来我摸索了很久，终于总结出一套流畅的“组合拳”：OrthoFinder + IQtree + Notung + iTOL。这套流程不是简单的软件堆砌，而是一个环环相扣的完整解决方案。OrthoFinder帮你奠定基石，构建一个可靠的有根物种树；IQtree发挥其建树算法的优势，为你目标基因家族构建高质量的无根基因树；Notung则像一位精明的“调解员”，将无根基因树与有根物种树进行比对和调和，不仅确定了树根，还推断出了关键的进化事件；最后，iTOL出场，把你的分析结果变成一张清晰、美观、可交互的示意图。

我实测下来，这套流程特别适合需要深入研究基因家族进化历史的研究人员，比如分析基因的扩张收缩、复制丢失事件。它把几个领域内顶尖工具的优势都结合了起来，避开了单个工具的短板。接下来，我就带你一步步走通这个流程，把我踩过的坑和总结的技巧都分享给你。咱们不用太复杂的理论，就讲怎么用、参数怎么设、结果怎么看。

2. 流程基石：用OrthoFinder构建可靠的有根物种树

基因树分析不能在空中楼阁上进行，它需要一个可靠的参考系，这就是物种树。你可以把物种树想象成一张标准的世界地图，而基因树则是某个特定家族（比如“张姓家族”）的迁徙路线图。只有先有了世界地图，你才能准确地把张姓家族在不同城市的分布标记上去，并理解他们迁徙的原因。OrthoFinder就是为我们绘制这张“世界地图”的利器。

2.1 OrthoFinder的核心优势与数据准备

OrthoFinder的强大之处在于，它不仅能通过比对全基因组蛋白序列来推断物种间的进化关系，还能在没有外群（outgroup）的情况下，自动为生成的物种树确定根的位置。这个功能非常实用，因为找到一个合适的、公认的远缘外群有时候并不容易。OrthoFinder利用基因重复事件的内在信息来实现这一点，省去了我们不少麻烦。

开始之前，数据准备是关键。你需要收集你研究的所有物种的全基因组蛋白序列文件（通常是.faa或.fasta格式）。每个物种一个文件，文件名最好就用物种名或简写，比如Arabidopsis_thaliana.faa、Oryza_sativa.faa。我建议把所有物种的蛋白序列文件放在一个单独的文件夹里，比如就叫protein_fasta，这样后面运行命令时非常清晰。

这里有个小经验：确保你的蛋白序列ID格式一致，并且不包含奇怪的字符（比如空格、冒号、括号）。有些后续工具对序列ID格式比较敏感，提前统一好能避免很多解析错误。一个简单的做法是，只保留基因座标识符（如LOC_Os01g01010）作为ID。

2.2 运行命令详解与结果解读

准备好数据后，运行OrthoFinder的命令非常简单。打开你的终端（Linux/Mac）或命令提示符/ PowerShell（Windows，需安装好OrthoFinder），进入你的工作目录，然后执行：

orthofinder -f protein_fasta/ -t 50 -a 50

我来拆解一下这几个参数：

• -f protein_fasta/： 指定包含所有物种蛋白序列文件的文件夹路径。
• -t 50： 这是-threads的简写，指定用于多序列比对和建树等计算密集型任务的CPU线程数。根据你服务器的性能来调整，数字越大跑得越快。我这里设为50。
• -a 50： 这是-orthofinder_threads的简写，指定OrthoFinder内部其他操作（如聚类、结果整理）使用的线程数。通常可以和-t设成一样。

运行时间取决于物种数量、蛋白序列多少和服务器性能。跑完后，OrthoFinder会在protein_fasta文件夹同级生成一个名为OrthoFinder/Results_日期（例如Results_Jan11）的新文件夹。我们最关心的物种树文件就在这个路径下：OrthoFinder/Results_Jan11/Species_Tree/SpeciesTree_rooted.txt。这个文件就是有根的新ick格式物种树。

你可以用任何支持Newick格式的树查看软件打开它，比如FigTree、MEGA，甚至是在线的iTOL。打开后，检查一下树的拓扑结构是否符合你的生物学知识或已有文献。比如，被子植物中，单子叶和双子叶植物应该分开。OrthoFinder的结果通常很可靠。

验证生根的准确性（可选但推荐）：虽然OrthoFinder宣称可以无外群生根，但如果你心存疑虑，或者审稿人可能问到，可以做个验证。方法是：找一个公认的远缘外群物种（比如研究植物时常用的无油樟Amborella trichopoda），将其蛋白序列单独放在一个新文件夹（如Atrichopoda）里。然后使用OrthoFinder的“增量添加”功能，在原有分析基础上加入这个外群重新分析，而无需从头再来：

orthofinder -b protein_fasta/OrthoFinder/Results_Jan11/WorkingDirectory/ -f Atrichopoda/

参数-b后面跟的是你第一次运行时生成的WorkingDirectory路径（在结果文件夹内）。这个命令会快很多，因为它只计算新物种与原有物种之间的比对。完成后，查看新的有根物种树。如果加入外群前后，核心物种（你原本研究的那些）之间的拓扑结构保持一致，只是根部延伸到了外群，那就强有力地证明了OrthoFinder无外群生根的准确性。我自己的几次分析都验证了这一点，所以对它的这个功能还是挺有信心的。

3. 核心构建：用IQtree为你的基因家族打造无根基因树

有了可靠的物种树作为地图，接下来就要绘制我们特定基因家族的“迁徙路线图”了。OrthoFinder虽然也能生成基因树，但它有个限制：它只针对自己通过算法聚类出来的同源基因群（Orthogroup）来建树。如果你的目标基因家族（比如我研究的NB-ARC抗病基因结构域）没有被OrthoFinder完整地聚到一个Orthogroup里，而是被拆散了，那就无法得到一棵包含所有成员的完整基因树。这时，我们就需要更灵活、更强大的建树工具——IQtree。

3.1 序列比对：一切从MUSCLE开始

在建树之前，必须对基因序列进行多序列比对，确保同源位点对齐。这里我习惯使用MUSCLE，它速度快，精度对于一般需求也足够了。假设你已经从各个物种里提取出了目标基因家族的蛋白序列，并保存到了一个文件NB-ARC.fasta里。

运行MUSCLE进行比对：

muscle -in NB-ARC.fasta -out NB-ARC.aligned.afa -maxiters 2

• -in： 指定输入序列文件。
• -out： 指定输出比对结果文件，后缀我常用.afa（aligned fasta）。
• -maxiters 2： 指定最大迭代次数为2，这是一个在速度和精度之间取得很好平衡的设置。对于成百上千条序列，这个设置非常高效。

比对完成后，强烈建议你肉眼检查一下比对结果（可以用AliView、MEGA等软件），特别是保守区域（如你研究的结构域）是否对齐良好。糟糕的比对会直接导致错误的系统发育树。

3.2 IQtree建树：模型选择与命令实战

接下来就是重头戏，使用IQtree从比对好的序列构建最大似然树。IQtree的优点在于它能自动进行模型选择，并支持超快的模型优化和树搜索算法。

一个基础但强大的命令如下：

iqtree -s NB-ARC.aligned.afa -nt AUTO -m MFP -bb 1000 -alrt 1000

这个命令包含了几个关键的最佳实践参数：

• -s NB-ARC.aligned.afa： 指定输入文件为比对后的序列。
• -nt AUTO： 让IQtree自动检测并使用所有可用的CPU线程，最大化利用计算资源。
• -m MFP： 这是核心参数。MFP代表“ModelFinder Plus”，它会自动执行模型选择，并基于选出的最佳模型进行建树。这是IQtree最省心也最科学的功能之一，避免了手动选择模型的盲目性。
• -bb 1000： 指定进行Ultrafast Bootstrap分析，重复抽样1000次。Bootstrap值用于评估树节点（分支）的可靠性，值越高（通常>70%或95%）表示该分支越可信。这是发表文章时几乎必须提供的支持率。
• -alrt 1000： 指定进行SH-aLRT检验，同样重复1000次。这是另一种分支支持率检验，与Bootstrap结合使用，能提供更稳健的评估。很多期刊现在推荐同时报告这两种支持率。

运行后，IQtree会输出一堆文件，其中最重要的是：

• NB-ARC.aligned.afa.treefile： 这就是我们需要的无根基因树（Newick格式）。
• NB-ARC.aligned.afa.iqtree： 这是报告文件，里面包含了最佳拟合的进化模型（比如JTT+F+R10）、每个节点的Bootstrap和SH-aLRT支持率、模型参数等详细信息。务必仔细阅读这个文件，它是你建树质量的关键记录。

我踩过的一个坑：IQtree在运行前会默认进行chi2检验，过滤掉一些位点模式信息量极低或可能引起问题的序列。这些被过滤的序列不会出现在最终的树里。你可以在.iqtree报告里找到“Number of sequences removed by ‘chi2’ test”这一行。如果发现你关注的某些基因不见了，别慌，先去报告里查一下是不是被过滤了。这有时是合理的，但如果你确信这些序列没问题，可以添加参数-nocc来关闭这个检验。

4. 关键调和：用Notung确定树根并解析进化事件

现在我们手上有两样东西：一棵来自OrthoFinder的有根物种树（世界地图），和一棵来自IQtree的无根基因树（张姓家族迁徙路线草图）。草图没有起点，我们不知道这个家族最初是从哪里开始迁徙的。而且，我们还想知道在迁徙过程中，发生了多少次“分家”（基因复制）、有多少支系“失传”（基因丢失）。这就是Notung大显身手的时候了。

4.1 数据准备与格式“大坑”

Notung是一个Java图形界面程序，使用起来比较直观，但输入文件的格式要求非常严格，这里是我踩坑最多的地方。

1. 物种树文件： 直接使用OrthoFinder输出的SpeciesTree_rooted.txt即可。确保它是有根的。
2. 基因树文件： 使用IQtree输出的.treefile。注意，它是无根的。
3. 最关键的一步：修改基因序列ID格式。Notung通过下划线_来分割基因名和物种名。它会把最后一个下划线之后的部分当作物种名。例如，一个基因ID是XP_020599319.1_Phalaenopsis_equestris，Notung会认为物种名是equestris，这显然是错的（应该是Phalaenopsis_equestris）。

解决方案：你必须提前处理基因序列的ID，确保物种名中不包含下划线。通常的做法是：

• 将物种名中的下划线_替换为连字符-或其他字符。
• 或者，在最初从蛋白组中提取目标基因时，就重命名ID，格式如：基因ID@物种名（用@分隔），或者物种名|基因ID。只要保证分隔符是唯一的，且物种名是连续字符串就行。

例如，把XP_020599319.1_Phalaenopsis_equestris改为XP_020599319.1_Phalaenopsis-equestris。这个步骤必须在运行IQtree之前，在最初的FASTA序列文件中完成，因为IQtree的建树结果会沿用这些ID。如果建完树才发现，再改树文件里的ID就非常麻烦了。

4.2 Notung操作实战：生根与事件推断

打开Notung，你会看到两个主要模式：Rooting Mode 和 Reconciliation Mode。我们通常使用 Rooting Mode，因为它能一站式完成生根和事件推断。

1. 加载文件： 点击“Load Gene Tree”加载你处理好的无根基因树文件，点击“Load Species Tree”加载有根物种树文件。
2. 生根（Rooting）： Notung会根据物种树，计算基因树上每条边作为树根位置的“代价”（基于复制、转移、丢失事件的模型，即DTL分数）。代价越小的边，越可能是真正的根。Notung会用红色高亮显示代价最小的一批边（默认是最小值附近5%范围内的边）。
3. 选择树根： 这时你需要根据生物学知识进行判断。如果基因树中包含外群物种（比如我们之前为了验证而加入的无油樟），那么连接外群与内群的那条边，通常就是正确的根。Notung会清晰地显示出来，点击那条边即可。如果没有外群，你会看到多条边被高亮，这时选择就比较困难，可能需要结合基因结构、功能域分布等其他信息来综合判断。这也是为什么在可能的情况下，在IQtree建树时包含一个外群序列会非常有帮助。
4. 导出与查看结果： 确定树根后，Notung会自动完成基因树与物种树的“调和”，并推断出基因复制和丢失事件。你可以在界面底部看到统计信息，例如“254 gene duplications, 76 losses”。最后，务必点击“Save As…”导出有根的基因树（Newick格式），这是给下一步iTOL可视化的文件。

一个重要的理解：Reconciliation Mode输入的是有根基因树，它只做事件推断。而Rooting Mode输入的是无根基因树，它先帮你找根，然后基于你选的根自动完成事件推断。所以我们用Rooting Mode更符合从零开始的流程。

5. 成果展示：在iTOL中绘制高颜值可交互基因树

经过前面三步，我们得到了包含进化事件信息的有根基因树文件。最后一步，就是把它变成一张可以放入文章、报告或PPT中的精美图片。iTOL 是这个环节的不二之选，它是一个功能极其强大且友好的在线可视化平台。

5.1 基础导入与树形调整

访问iTOL官网，点击“Upload”按钮上传你的Newick格式树文件。上传成功后，树会立即显示在画布上。

首先调整树的基本样式：

• 树形： 在右侧控制面板的“Tree Style”中，我个人最喜欢Normal或Radial（辐射状）。辐射状树对于展示基因家族的扩张辐射特别直观。
• 分支和标签： 你可以调整分支的粗细、颜色，以及字体大小。对于基因树，叶子节点（基因）的标签往往很长，可以适当缩小字体，或者考虑使用缩写。iTOL支持在上传的树文件中直接为每个节点定义显示名称，这是一个更高级的用法。
• 缩放与布局： 用鼠标滚轮缩放，拖拽画布移动。确保整棵树在视野中布局合理。

5.2 高级注释：让树“讲故事”

iTOL最强大的地方在于其丰富的注释功能。我们可以把Notung分析得到的信息映射到树上。

1. 标注基因复制事件： Notung导出的树文件中，复制事件节点通常有特殊标记（比如D=）。但更直观的做法是，将复制事件列表整理成一个简单的文本文件。格式如下：

   TREE_COLORS
   SEPARATOR TAB
   DATA
   node_id    color    label
   NODE_123  #FF0000  duplication
   NODE_456  #FF0000  duplication
   

   其中node_id需要你知道Notung输出的节点编号。然后通过iTOL的“Upload” -> “Add dataset to current tree”功能，将这个文件上传为TREE_COLORS类型，就可以在树上对应的节点处添加红色标记或标签了。
2. 按物种着色： 这是最基本也最有效的展示方式。创建一个LABEL_COLORS或RANGE_COLORS数据集文件，为不同物种的基因分支或标签指定颜色。例如：

   TREE_COLORS
   SEPARATOR TAB
   DATA
   Phalaenopsis-equestris    branch    #8A2BE2    normal
   Dendrobium-catenatum    branch    #FF4500    normal
   Apostasia-shenzhenica    branch    #00CED1    normal
   Gastrodia-elata    branch    #32CD32    normal
   Amborella-trichopoda    branch    #DAA520    normal
   

   上传后，来自同一物种的所有基因分支就会变成同一种颜色，一目了然。
3. 添加条形图或热图： 如果你想展示每个基因的某些定量特征，比如表达量、蛋白长度、选择压力（Ka/Ks值）等，iTOL支持条形图（DATASET_BAR）和热图（DATASET_HEATMAP）。你需要将数据整理成iTOL要求的格式文件，然后上传为对应的数据集。这些图表会并排显示在树旁边，信息量巨大。

完成所有美化后，你可以通过“Export”功能下载高分辨率的PNG或PDF图片，用于出版。也可以保存项目文件（.itol），方便下次直接加载修改。

6. 流程回顾与避坑指南

走完这一整套流程，你可能已经花了几天甚至更长时间。让我帮你再梳理一下核心链路和那些最容易出问题的地方，希望能帮你节省更多时间。

核心流程四步走：

1. OrthoFinder建物种树：输入全物种蛋白组，得到有根物种树。这是整个分析的参考框架。
2. IQtree建基因树：输入目标基因家族的多序列比对文件，得到高质量的无根基因树。关键是模型自动选择和分支支持率评估。
3. Notung调和生根：输入有根物种树和无根基因树，通过物种树信息为基因树确定根的位置，并推断基因复制、丢失等进化事件。格式处理是成败关键。
4. iTOL可视化：输入Notung生成的有根基因树，通过丰富的注释功能，将进化历史和各类特征直观呈现出来。

我总结的三大“避坑”要点：

1. 序列ID格式，从一开始就管好：这是Notung环节最大的“坑”。在提取出目标基因序列准备做多序列比对（MUSCLE）之前，就统一好ID格式。采用基因标识符@物种名或物种名-基因标识符这种无歧义的格式，能一劳永逸。千万别等到Notung报错再回头改。
2. 外群序列，能加则加：无论是在OrthoFinder中验证物种树生根，还是在IQtree和Notung中帮助确定基因树的根，一个合适的远缘外群都能极大提高结果的可靠性和可解释性。即使OrthoFinder可以无外群生根，多加一个验证步骤也让你的分析更扎实。
3. 参数选择，理解大于盲从：给IQtree设置-m MFP让它自动选模型，给Notung的DTL模型使用默认参数，对于大多数情况都是合理的。但你需要理解这些参数和结果的含义。比如，IQtree报告里选出的最佳模型是什么？Notung推断出的复制事件数量是否多到离谱？这些都需要结合你的生物学背景去判断。不要完全做“黑箱”分析。

这套流程看起来工具多、步骤繁，但每一步都承担着不可替代的专门任务。一旦你跑通一次，把它写成脚本或记录下详细命令，后续的分析就会变得非常高效。它带给你的不仅仅是一张漂亮的树图，更是一整套对基因家族进化历史的、有数据支撑的深入解读。