测完基因为什么还要“种一棵树”？
——从SNP到系统发育，

病原基因组学中的系统发育树，到底应该怎么看？

做细菌、病毒全基因组测序时，有一张图几乎绕不开：系统发育树。沙门菌、大肠杆菌、霍乱弧菌、鲍曼不动杆菌、流感病毒、麻疹病毒……只要研究涉及菌株之间的亲缘关系、传播来源或群体结构，论文中往往都会出现一棵“树”。

真正的问题是：很多人已经会把树画出来，却不一定真正理解这棵树在说什么。两株菌挨得很近就代表同源吗？节点旁边的 100 是相似度 100% 吗？树枝越长是不是代表“进化得更高级”？圆形树和矩形树得出的结论会不会不一样？两株菌聚在一起，能不能直接写成“发生了传播”？

这些问题看起来基础，却直接决定一篇病原基因组文章的结果解释是否可靠。系统发育分析不是为了给论文增加一张漂亮的图，而是为了把序列里的差异，转换成可以理解的遗传关系。

一、什么是进化树？

平时说的“进化树”，更规范的名称是系统发育树（phylogenetic tree）。它依据 DNA、RNA 或蛋白质序列等遗传信息，推断不同样本、菌株或物种之间的亲缘关系。这里最重要的词不是“树”，而是“推断”。我们并没有亲眼看到这些菌株过去几十年甚至几百年的演化过程，而是根据今天留下来的序列差异，反推它们之间可能存在的共同祖先和分化关系。

如果两个菌株的基因组非常接近，说明它们共享的最近共同祖先通常也更近；如果两个菌株之间积累了大量差异，说明它们的遗传距离更远。系统发育树所做的事情，就是把这种“序列差异”转换成一张亲缘关系图。

图1一棵进化树里最重要的结构：根、节点、分支、叶节点、外群、枝长和比例尺

二、一棵树到底由什么组成？

一棵系统发育树看似复杂，其实核心元素很少。真正需要看懂的主要是根、节点、分支、叶节点、外群、枝长和比例尺。

1. 根（Root）

根可以理解为整棵树的起点，代表所分析类群共同祖先的位置。需要注意，并不是所有系统发育树都有明确的根。无根树只能告诉我们样本之间谁更接近，并不能直接给出演化方向；有根树才具有从祖先到后代的方向性解释。

2. 节点（Node）

节点是分支连接的位置。位于树内部的节点通常代表一个推测的共同祖先。从某个内部节点分出的两个或多个分支，说明这些分支上的样本共享一个相对较近的祖先。

3. 分支（Branch）

分支连接不同节点，代表一个遗传谱系。分支本身并不是“传播路线图”，而是模型推断出来的遗传关系。

4. 叶节点（Tip/Leaf）

树最末端的名称通常就是实际分析对象，例如某一株沙门菌、某一份病毒样本，或者一个物种。病原测序文章中，样本名称、年份、地区、宿主、ST型、耐药表型等信息常常会和叶节点一起展示。

5. 外群（Outgroup）

外群是与研究对象关系较远、但又不能远到完全无法比较的参考类群。它最常见的用途是帮助确定树根和演化方向。

6. 枝长和比例尺（Branch length / Scale bar）

如果一棵树的枝长具有意义，那么枝越长通常表示累积的遗传变化越多。比例尺则告诉读者“图上的这段长度对应多少遗传距离”。例如比例尺 0.01 常表示平均每个位点约 0.01 次替换。但并不是所有树的枝长都有生物学意义，所以看树前一定先确认有没有比例尺，以及作者使用的是哪种树。

三、测序数据是怎么“变成一棵树”的？

从原理上说，进化树并不是测序仪直接生成的。测序仪给出的只是大量序列片段。后续分析真正要解决的是：这些样本在相同基因组位置上到底有哪些差异，以及这些差异能否反映它们之间的遗传关系。

对于同一物种内的细菌，常见做法是从全基因组中提取高质量 SNP；对于差异更大的菌株或不同物种，则经常使用共同存在的核心基因进行系统发育分析。无论哪一种方式，核心逻辑都一样：先得到多个样本之间可比较的序列，再进行多序列比对，根据位点差异建立遗传模型，最后推断最符合数据的一棵树。

因此，进化树不是“凭空画出来”的，而是从每一个碱基差异中逐渐推出来的。样本越多、可用序列位点越多，通常能获得的信息也越丰富；但与此同时，重组、参考基因组选择、低质量区域等因素也会影响结果，因此系统发育分析并不是简单地把 FASTA 文件扔进软件就结束。

图2从测序序列差异到系统发育树：本质上是把遗传差异转换成亲缘关系

四、Bootstrap 100，不是“相似度100%”

树上节点旁边常常会出现 100、99、95、70 等数字，这通常是 Bootstrap 支持度。它是系统发育树里最容易被误解的参数之一。Bootstrap 100 并不是说“这两株菌有100%相似”，而是说在大量重复抽样重建的树中，这个分支反复出现，说明该分支结构比较稳定。

可以把它理解成一种“这个分支站不站得住”的统计支持度。Bootstrap 越高，通常说明这个节点越稳定；数值较低，说明这一分支对数据扰动比较敏感，结论需要更加谨慎。实际文章中，不同软件和研究领域对阈值的使用不完全一样，常见做法是只显示达到一定支持度的节点。

所以，看到两个样本旁边有一个 Bootstrap 100，正确理解应该是“这两个样本组成这一分支的拓扑结构在重复分析中非常稳定”，而不是“这两株菌100%相同”。

图3看懂进化树的五个关键点：聚类、枝长、Bootstrap、拓扑与传播关系

五、矩形树、圆形树、辐射树，结论会变吗？

同一份系统发育结果，可以画成矩形树、直树、曲线树、圆形树或辐射树。图形看起来差异很大，但只要拓扑结构没有改变，它们表达的亲缘关系就是一样的。

矩形树最清楚，适合展示几十到几百个样本；圆形树可以节省空间，适合样本量较大，并且常与耐药基因、毒力基因、宿主、年份等外圈注释结合；辐射树视觉上更紧凑，但当样本量大、分支复杂时，阅读起来反而不如矩形树直观。

还有一个常见误区：树的上下顺序没有大家想象得那么重要。一个内部节点可以旋转，所以A在B上面还是下面，并不改变它们的亲缘关系。真正应该看的不是“谁挨着谁排”，而是“谁与谁共享最近的共同节点”。

图4同一拓扑结构可以有不同画法：矩形树、直树、曲线树、圆形树和辐射树

六、病原全基因组测序中，常见的“树”到底有什么区别？

病原测序文章里，经常会同时看到 SNP tree、core gene tree、cgMLST，三者都能描述菌株关系，但比较的信息并不相同。

如果研究的是同一个血清型、同一个ST或者同一个克隆群内部的几十株细菌，核心SNP往往最有分辨率；如果样本本身跨多个species或lineage，直接找一个参考菌株硬做SNP就可能出现reference bias，此时核心基因树通常更合理。cgMLST则更加标准化，适合公共卫生监测体系和不同实验室之间共享结果。

七、细菌进化树为什么经常要“去重组”？

细菌基因组差异并不全部来自一个个独立突变。很多细菌可以通过同源重组获得一整段外源DNA，这一段区域可能一次带来几十、几百甚至上千个SNP。如果把这些位点全部当成独立突变，就会人为放大某些分支的遗传距离，甚至改变树的拓扑结构。

因此，在肺炎克雷伯菌、弯曲菌、肺炎链球菌等重组较明显的细菌中，经常会使用 Gubbins 等工具识别重组区域，再用去除重组后的 clonal SNP 构建系统发育树。文章里看到“recombination-filtered core SNP phylogeny”，说的就是这种思路。

这一点也提醒我们：所谓“全基因组SNP树”并不是SNP越多越好。真正有价值的是那些能够反映克隆遗传关系的高质量位点。

八、进化树和SNP距离，最好一起看

病原溯源中，经常有人只看进化树，也有人只盯着 SNP matrix。实际上，两者最好结合。进化树告诉我们整体拓扑关系和共同祖先结构，而两两 SNP 距离告诉我们任意两个菌株之间到底差多少个位点。

例如一组沙门菌在树上形成一个高度聚集的小分支，同时组内两两SNP差异都很小，这时才更有理由怀疑它们存在近期共同来源。如果树上看起来很近，但实际 SNP 差异仍然很大，就不能简单把它们归为一次暴发。

同样也不存在适用于所有细菌的统一“SNP阈值”。不同物种突变速度不同，暴发持续时间不同，环境长期定植产生的多样性也不同。3个SNP、5个SNP、10个SNP是否能够定义“同源”，必须放在具体物种和流行病学背景下判断。

九、进化树在病原溯源中到底能做什么？

对于病原微生物，全基因组系统发育最大的价值，是把原本零散的病例放进一个遗传关系框架中。医院里连续分离出多株耐药鲍曼不动杆菌，如果它们高度聚集，并且采样时间、病区位置也一致，就支持院内克隆传播的可能；食品暴发中，如果患者株和某批食品分离株在树上高度聚集、SNP距离很小，则可以为共同污染源提供重要分子证据；输入性传染病中，如果某病例病毒序列与境外同期流行株高度接近，结合旅行史，就能帮助判断可能的输入来源。

但系统发育树永远不能单独替代流行病学调查。遗传关系很近，只能说明菌株可能共享较近的共同祖先，并不能直接证明“患者A传给患者B”。中间还可能存在未采样患者、食品、动物或环境来源。

所以，在规范的病原溯源中，更可靠的证据链通常是：系统发育聚类 + SNP/cgMLST遗传距离 + 时间关系 + 地理关系 + 暴露或接触史。只有这些证据彼此一致，才能对传播关系做更强的推断。

图5进化树在病原溯源中的实际用途：SNP树、核心基因树、cgMLST与流行病学证据

十、看进化树时最常见的几个误区

误区一：聚在一起 = 一定发生传播

不对。聚类首先代表遗传关系接近，传播关系还要依赖流行病学证据。

误区二：Bootstrap 100 = 相似度100%

不对。Bootstrap反映的是分支稳定性，而不是两个样本的序列相似度。

误区三：枝越长 = 生物越高级

不对。枝长通常表示遗传变化或模型距离，与“高级、低级”没有关系。

误区四：样本上下位置代表演化顺序

不对。节点可以旋转，只要拓扑结构不变，样本上下位置没有生物学含义。

误区五：所有细菌都能用同一个SNP cutoff

不对。不同物种、时间尺度、采样策略和分析流程都会影响SNP距离的解释。

十一、真正看一棵病原进化树，我通常先看什么？

第一眼不是去找“哪两株最近”，而是先看整体群体结构：有没有几个明显的大lineage？然后再看每个lineage对应的ST、血清型、年份、地区、宿主或耐药谱。

第二步看有没有高度聚集的小分支。对于暴发调查，这些小分支往往比整棵树的大结构更值得关注。

第三步看这些小分支的Bootstrap是否稳定，同时配合SNP matrix或cgMLST等位基因距离，确认组内到底有多近。

最后才回到病例资料，看时间、地点和暴露史能不能和基因组关系对得上。做到这里，一棵树才真正从“论文里的图”变成了一个可以参与公共卫生判断的工具。

写在最后

基因测序以后做进化树，不是为了证明谁比谁“进化得更高级”，也不是为了让论文多一张看起来复杂的图。它真正做的，是把基因组里的差异转换成亲缘关系。

一株菌和另一株菌差多少个SNP，本身只是一个数字；当几十株、几百株菌同时被放进系统发育框架后，我们才能看见哪些属于同一个谱系，哪些可能发生近期克隆扩增，哪些病例可能来自共同来源，哪些样本其实来自完全不同的传播背景。

所以，看一棵树时最值得记住的一句话是：系统发育树告诉我们的是“遗传关系”，而不是完整的“传播过程”。只有把树、遗传距离和流行病学信息放在一起，进化树才真正有了溯源价值。

参考资料

1. 知乎：《一文读懂进化树（图文详解）》。用于本文中Root、Node、Branch、Outgroup、Branch length、Scale bar、Bootstrap以及常见树形的基础概念整理。

2. Hall BG. Building phylogenetic trees from molecular data with MEGA. Molecular Biology and Evolution.

3. Stamatakis A. RAxML version 8: a tool for phylogenetic analysis and post-analysis of large phylogenies. Bioinformatics.

4. Croucher NJ, et al. Rapid phylogenetic analysis of large samples of recombinant bacterial whole genome sequences using Gubbins. Nucleic Acids Research.

5. 病原微生物全基因组监测与暴发调查相关WGS/cgMLST实践文献。

说明：本文用于基因测序与生物信息分析科普交流。不同病原体的系统发育分析策略和遗传距离阈值应结合物种特征、数据质量和具体研究目的确定。