Cactus配置XML深度解析：调优lastz打分、chaining参数与外群策略的完整指南

Cactus配置XML深度解析：调优lastz打分、chaining参数与外群策略的完整指南

【免费下载链接】cactusOfficial home of genome aligner based upon notion of Cactus graphs项目地址: https://gitcode.com/gh_mirrors/cact/cactus

Cactus 是基于 Cactus 图概念的基因组比对器（genome aligner），其核心配置文件cactus_progressive_config.xml决定了整个比对流水线的行为：lastz 打分参数、chaining 参数与外群（outgroup）选择策略都在其中。本文带你读懂这份 Cactus 配置XML，并给出针对进化距离、GPU 加速与多外群场景的实用调优建议。

1. Cactus配置XML在哪里，如何生效？

Cactus 的默认配置文件位于仓库中的 cactus_progressive_config.xml，所有运行时参数都从这个文件读取。其顶层节点cactusWorkflowConfig按阶段划分：

解析逻辑集中在 configWrapper.py：所有字段都是可选的，未配置时回退到类中的静态默认值。因此调优时只需覆盖想改的节点，无需提供完整文件。

2. lastz打分参数：按进化距离分档调优

这是 Cactus 配置XML 中最精细的部分。Cactus 会根据两个基因组在系统树上的"分歧距离"（divergence）自动选择不同强度的 lastz 打分参数。

2.1 距离分档与打分参数联动

<constants>下的divergences定义了分档阈值：one="0.05" two="0.10" three="0.15" four="0.20" five="0.25"，即按 5%~25% 的替换率把基因组对分成五档。

对应地，<blast>内的lastzArguments为每一档提供一组 lastz 打分参数：

<lastzArguments one="--step=2 --ambiguous=iupac,100,100 --ydrop=3000 --notransition --queryhspbest=100000" ... default="--step=1 --ambiguous=iupac,100,100 --ydrop=4000 --hspthresh=2200 --gappedthresh=2400 --queryhspbest=100000" />

各参数的调优含义：

• --step：种子查找步长。越小越敏感、越慢。近距离对用step=2，远距离对用step=1（最敏感档）。
• --ydrop：延伸衰减阈值，控制种子合并时的"放弃"程度。
• --hspthresh/--gappedthresh：HSP 与加间隙对齐的最低分数门槛。距离越远门槛越低，以保留更多弱同源种子。
• --queryhspbest：限制每条 query 最多保留的 HSP 数量，防止低同源区域产生组合爆炸。

选择逻辑见 local_alignment.py：按distance依次匹配 one→five，不匹配则落到default。若divergences设置了useDefault="1"，则所有基因组对都使用 default 档。

2.2 身份过滤：identityRatio 与 minimumDistance

<blast>还控制基于系统距离的过滤：identityRatio="3"、minimumDistance="0.01"表示当树路径总长 L 较大时，低于1 - IJC(L)的对齐会被丢弃——远距离对自动放宽、近距离对从严。若你的数据分支长度估计不准，可适当调低identityRatio减少误删。

2.3 GPU加速：kegalign打分参数

将<blast>的gpu设为正数（或all），Cactus 会用 GPU 版 KegAlign 替代 lastz，此时读取的是平行的kegalignArguments节点（参数结构相同，但不含--queryhspbest，因为 KegAlign 对其支持不佳）。GPU 模式在保持默认结果精度 0.2% 以内的同时显著提速，适合大规模渐进式比对。

3. chaining参数：把种子串成链的旋钮

lastz 产出的是 PAF 格式种子，后续由 paffy 完成 chaining（链式连接）。这些参数同样在<blast>节点中：

另外mapper字段允许在lastz、minimap2、fastga三者间切换，配合minimap2_params="-x asm20"等即可整体更换底层比对引擎。

4. 外群策略：渐进式比对的方向盘

Cactus 按系统发育树自下而上渐进比对，每个内部节点需要选择外群来"锚定"方向。策略参数位于<multi_cactus><outgroup>：

<outgroup strategy="greedyPreference" threshold="0" ancestor_quality_fraction="0.75" max_num_outgroups="3" extra_chrom_outgroups="-1" clade_discount="0.3" overlap_penalty="2" />

• strategy：可选none、greedy、greedyLeaves、greedyPreference（默认）、dynamic等。greedyPreference在贪心选最近外群的基础上偏好"谱系内"候选，兼顾速度与方向准确性。
• max_num_outgroups：每个对齐作业最多使用几个外群。默认 3 可提升覆盖率，代价是内存。
• extra_chrom_outgroups：设为-1时自动为祖先补充性染色体所需的外群数，避免性染色体区域比对"饿死"。
• clade_discount（0.3）：谱系外候选必须比最近的谱系内候选近 30% 以上才有资格竞争，防止远缘外群抢占方向。
• overlap_penalty（2）：已覆盖路径的惩罚倍数，促使后续外群分散到不同分支。

4.1 外群修剪参数组

<blast>中还有一组与外群相关的修剪开关，直接决定输入数据量：

• trimOutgroups="1"：移除没有任何内群（ingroup）对齐的外群序列；
• trimIngroups="1"：逐轮过滤已对齐的内群，减少后续作业负担；
• trimOutgroupFlanking="2000"/trimFlanking="100"：修剪后保留的外群/内群侧翼长度；
• includeRootAsOutgroup="1"：将钉住的根序列按外群处理，避免其覆盖"挤占"后代序列在 chaining 中的份额；
• pickIngroupPrimaryAlignmentsSeparatelyToOutgroups="1"：内群之间先独立挑选主对齐，再让外群对齐内群，减少相互干扰。

5. 快速上手：3个高频调优场景

1. 近缘物种（<5%分歧）追求速度：将divergences设为useDefault="1"，统一用最强过滤档；或调大各档--step、调高--hspthresh，并开启gpu="all"走 KegAlign。
2. 远缘物种（>20%分歧）追求敏感：放宽default档的--ydrop/--hspthresh，调低pafTrimIdentity与minPrimaryChainScore，并适当调大chainMaxGapLength。
3. contig 级别输入（基因组未组装完整）：调大chainContigGroupSize与chainMaxGapLength，把minPrimaryChainScore降档，并确认redPrefilterOpts的-m值与你的 contig 平均长度匹配，避免误掩码。

修改建议：始终基于默认文件复制一份再通过--optionFile指定，只改动必要节点。配置校验与默认值兜底逻辑可参考 configWrapper.py。

掌握 Cactus 配置XML 中 lastz 打分、chaining 参数与外群策略这三类旋钮，就能在精度与速度之间为自己的数据找到最佳平衡点。

【免费下载链接】cactusOfficial home of genome aligner based upon notion of Cactus graphs项目地址: https://gitcode.com/gh_mirrors/cact/cactus