IF36.1｜FastOMA：千基因组规模直系同源推断的线性扩展方案

FastOMA以线性扩展性在24小时内完成2086个真核蛋白组的直系同源推断，精度不输OMA。

这篇按生信解读号的读法拆：先看背景和问题，再看作者怎么做、做出了哪几条硬发现，最后把数据和代码收走。

研究背景

随着地球生物基因组计划推进，未来十年内将测序150万种真核生物，比较基因组学面临海量数据挑战。直系同源基因鉴定是比较基因组学的基础步骤，支撑功能注释、系统发育推断和基因家族进化分析。传统方法如OMA依赖全对全序列比对，处理2000多个基因组需超过1000万CPU小时，难以扩展到更大数据集。基于全基因组比对的方法如TOGA虽更高效，但仅适用于近缘物种。因此，亟需一种既能保持高精度又能线性扩展的直系同源推断方法。

科学问题

卡在哪里： 现有直系同源推断方法面临严重扩展性问题：依赖全对全比对的方法计算成本随基因组数量呈二次增长，无法应对数千基因组规模；基于全基因组比对的方法受限于物种亲缘关系，应用范围窄。如何在保持OMA高精度和分辨率的同时，实现计算时间随基因组数量线性增长，是领域内亟待解决的关键空白。

本文要回答： 开发一种可线性扩展的直系同源推断方法FastOMA，在维持OMA基准测试精度和分辨率的前提下，将数千个真核基因组的处理时间缩短至一天以内。

技术路线

作者主要用了：OMAmer k-mer快速家族映射、Linclust聚类、MAFFT比对、FastTree建树、物种重叠法标注重复/物种形成事件。

FastOMA采用两步策略：首先利用基于k-mer的OMAmer工具将输入蛋白组快速映射到参考HOG，未映射序列用Linclust聚类，形成根HOG；然后自物种树叶节点向根节点遍历，在每个分类层级对子HOG进行多序列比对和基因树推断，通过物种重叠法识别物种形成事件并合并HOG，最终解析出嵌套HOG结构。该设计避免了跨家族序列比较，并通过分类层级并行化和子采样策略大幅降低计算量，实现线性扩展。

图 1　Fig. 1。图1展示了FastOMA算法流程：输入蛋白组通过OMAmer映射到参考基因家族形成根HOG，然后自物种树叶节点向根节点进行自底向上的HOG推断。在每个分类层级，子HOG通过多序列比对和基因树推断，根据物种形成事件合并。图中强调了避免跨家族比较和并行化设计，这是实现线性扩展的关键。

核心亮点

亮点 1｜线性扩展性突破

FastOMA在300个CPU核心上，24小时内完成2086个真核UniProt参考蛋白组的直系同源推断，而原始OMA算法在相同时间内仅能处理50个基因组。与OrthoFinder和SonicParanoid等速度优化方法相比，FastOMA的计算时间随基因组数量线性增长，而前者仍呈二次增长。这一扩展性突破使得大规模比较基因组学分析成为可能。

图 2　Fig. 2。图2包含四个子图：a显示QfO基准中FastOMA与多种方法在SwissTree参考基因树上的精度和召回率对比，FastOMA精度最高；b显示广义物种树基准中FastOMA的拓扑误差较低；c展示FastOMA计算时间随基因组数量线性增长，而OrthoFinder和SonicParanoid呈二次增长；d显示使用TimeTree物种树比NCBI分类树减少了隐含基因丢失事件。

亮点 2｜精度与召回率平衡

在QfO基准测试中，FastOMA在SwissTree参考基因树基准上精度达0.955，优于EnsemblCompara、OrthoFinder等方法；召回率为0.69，略低于PANTHER和OrthoFinder，但整体位于Pareto前沿。在广义物种树基准中，FastOMA的归一化Robinson-Foulds距离为0.225，属于拓扑误差最低的方法之一。这表明FastOMA在控制假阳性的同时保持了合理的灵敏度。

亮点 3｜物种树分辨率影响

使用TimeTree高分辨率物种树替代NCBI分类树后，FastOMA推断的直系同源关系更准确，所有基因家族中隐含的基因丢失事件数量减少。此外，FastOMA对物种树中人为引入的错误表现出中等程度的鲁棒性，但错误物种树会引入假阳性。这表明更精确的物种树能进一步提升直系同源推断质量。

亮点 4｜异构体与片段处理

FastOMA能够处理可变剪接产生的多个蛋白异构体，通过选择与参考HOG k-mer匹配最佳的异构体（最高family_p分数）来提高推断准确性。同时，FastOMA可以处理片段化基因模型，这些特性在基准测试中均带来明显改进。这使得FastOMA更适用于复杂和嘈杂的基因组数据。

生信可带走

这一块是给做分析的人用的，不是科普点缀。

• 方法栈： OMAmer k-mer快速家族映射、Linclust聚类、MAFFT比对、FastTree建树、物种重叠法标注重复/物种形成事件
• 公开数据： 原文未给出公开组学登录号
• 代码： 公开仓库 https://github.com/DessimozLab/FastOMA、https://github.com/qfo/benchmark-webservice；本地已克隆：FastOMA、benchmark-webservice
• 谁该点开原文： 从事比较基因组学、系统发育学和进化生物学研究，需要处理大规模基因组数据的科研人员。

带走一句

FastOMA证明通过k-mer快速家族预分群和分类层级并行化，可以在不牺牲精度的情况下实现直系同源推断的线性扩展，为大规模比较基因组学提供了可行方案。