在科研工作里，构建与美化进化树是必须掌握的技能之一。这篇文章汇总和整理了之前的相关内容，依照文章中的脉络，基本上能够在大多数情形下满足构建进化树的需求。本文将从测序数据到构建系统发育树需要经过这4个步骤进行阐述：①数据收集与预处理②多序列比对③选择适合的建树方法④系统发育树的评估与美化。

数据准备与预处理

数据收集与预处理是基因组测序数据分析的关键步骤，主要包括去除低质量序列、去除接头序列、过滤污染序列等，以提高数据的整体质量。

如何选择合适的分子序列

在构建系统发育树之前，首先需要从海量的生物信息数据中挑选出适合的分子序列。常见的分子序列包括DNA序列和蛋白质序列。

• DNA序列：DNA分子由四种核苷酸（A、T、G、C）排列组成，DNA序列就是这些核苷酸的排列次序。DNA序列具有高变异性和丰富的遗传信息，适合用于亲缘关系较远的物种间的系统发育分析。

• 蛋白质序列：蛋白质的一级结构由20种氨基酸线性排列构成，蛋白序列就是这些氨基酸的排列次序。蛋白质序列相对保守，适合用于亲缘关系较近的物种间的系统发育分析。

选择分子序列时，首先要明确研究目的。若想探究物种间大框架的亲缘关系，那就选保守性高的基因序列，比如 16S rRNA 基因，在原核生物系统发育研究中就经常会用到。要是关注物种近期的进化，或者种群动态，那就选变异性高的基因或者非编码区序列。同时，还得考虑物种特性。在植物研究中，叶绿体基因相对保守，非常适合用来分析植物类群的系统发育。而在动物研究里，线粒体基因进化速率快，常用于动物种群层面的研究。

• 注意事项：

• 确保所选序列的质量，避免包含过多噪声或错误。

• 所选序列应能代表目标物种的遗传特征，确保分析结果的可靠性。

• 选的基因进化速率要适中，太慢信息不够，太快又容易出错。

• 确保基因在不同物种里既有保守性又有变异性，这样才能区分不同物种。

• 基因长度和覆盖范围也很重要，太短信息量不够。

数据收集

• 从测序平台获取下机数据，这些数据通常是DNA、RNA或蛋白质的原始序列数据。

• 可以从公共数据库（如NCBI、Ensembl等）获取额外的序列数据，以丰富数据集。

质量控制与预处理

• FastQC

用于评估测序数据的质量，提供碱基质量分布、GC含量分布、序列长度分布等统计信息。

详情参考文章：生信软件，就是赢家通吃：最佳FASTQ质控软件

• fastp

一个高效、快速的通用型序列数据质控工具，支持多种质控功能，如低质量碱基修剪、去除接头、过滤低质量读段等。

详情参考文章：都2025年了，谁还不会下一代测序（NGS）数据质控（一）

• Trimmomatic

用于去除低质量序列和接头序列，支持多种参数配置，如设定质量阈值、最小序列长度等。

详情参考文章：都2025年了，谁还不会下一代测序（NGS）数据质控（三）

• Cutadapt

专门用于去除接头序列，提高比对的准确性。

详情参考文章：都2025年了，谁还不会下一代测序（NGS）数据质控（四）