SplitAligner を、はじめから終わりまで

比較ゲノム解析の問いの多くは、枝に紐づいた数値——速度、残差、経路長——を多数の遺伝子にわたって比較することで答えられる。この系統で速度が上がったか。ここで制約が緩んだか。この比較が意味をもつのは、その枝が、寄与するすべての遺伝子において同一の進化的対象を指している場合に限られる。

実際にはそうなっていないことが多い。遺伝子ごとに回収される分類群は異なり、遺伝子系統樹は種の系統樹と必ずしも一致しない。ある分類群が欠けると、参照樹上で隣り合う二本の枝が一本に潰れることがある。融合した枝の長さは完全に正しい——構成枝の和である——が、それはもはや、それを形づくったどちらの枝でもない。

その数値を一方の名前で記入するワークフローは、数値としては正しく、生物学的には誤って割り当てられた値を生む。異常終了はせず、NA も現れず、算術の正しさだけを確かめる検査では捕まらない。実務上の帰結は、ある遺伝子がある系統で異常に速く、あるいは遅く進化しているように見えることが、その系統上の進化とは無関係な理由で起こりうるということである。そしてどのセルが影響を受けたかの記録がなければ、それを本物と見分ける手段はない。

SplitAligner の応答は、枝の同一性を明示的に扱い、枝が観測不能になりうるすべての様態にそれぞれ名前を与えることである。アニメーション解説は同じ議論を視覚的に辿る。以降のページは、その実行方法である。

SplitAligner は枝を、描かれた位置や節点の順序ではなく、それが分類群に誘導する二分割（スプリット）で同定する。一部の分類群 T_g しか含まない遺伝子 g について、種の系統樹の各枝 b を、実際に存在する分類群へ射影する：

種樹の制限木とトポロジーが一致する基準層では、削除されていない二本の原始枝の射影スプリットが一致することと、同じ簡約辺へ写ることは同値である。これは元の二枝が同じ枝になったという意味ではない。その遺伝子の分類群集合では二枝を独立に区別できなくなった、つまり融合したという意味である。射影後の片側が空なら、代わりに構造的欠測となる。経験的な free トポロジー遺伝子樹については、独立に観測可能な各射影スプリットが回収されたかを別に判定する。

SplitAligner のアルゴリズムは表現に依存しない。枝の同一性はスプリットそのものにあるので、樹がどう書かれているかは問題にならない。比較の前に、遺伝子系統樹のすべての枝は正準化された無根スプリットへ還元される。したがって遺伝子系統樹は有根でも無根でも、二分岐でも多分岐でも、子ノードの順序も任意でよい。有根の入力は無根樹として扱われる。次数 2 の根にある二本の半枝は一つのスプリットにまとめられ、両方が有限の数値なら枝長は合算され、そうでなければそのスプリットは数値の枝長を持たない。トポロジーは種樹に拘束されていても（fix）完全に自由でもよい。実用上の要件は二つ。各遺伝子系統樹の分類群が種樹の分類群の部分集合であること（名前は完全一致）、そして遺伝子系統樹に枝長があること。枝長こそが行列に記入される値だからである。この点は同梱例に対する直列化・入力変体の回帰テストで検証済みである。等価な入力は同一の行列を与え、種樹が同じならバイト単位で、種樹の書き方を変えた場合は B エイリアスを対応付けたうえでセル単位で一致する。

# Split-based branch-mapping algorithm

# 第 1 段階 — カバレッジ層：S と T_g だけを使い、遺伝子樹は見ない
for 各遺伝子 g:
    T_g ← 遺伝子樹の分類群（S の部分集合）                       # ステップ 1
    for 各種樹の枝 b:                                       # ステップ 2–3
        σ_g(b) ← canon(A_b ∩ T_g | B_b ∩ T_g)                 # 射影
        if σ_g(b) の片側が空:
            state(g,b) ← NA_struct                            # 射影された同一性がない
        else if b が内部枝で σ_g(b) の片側が分類群 x ただ 1 つ:
            端点崩壊：σ_g(b) は x の終端枝のスプリットと一致するため、
            b は融合の記帳用にのみ保持され、独立した枝にはならない
    保持された枝を σ_g(b) でグループ化する                       # ステップ 4
        要素が 2 つ以上のグループは融合群：要素は T_g 上で区別できず、
        1 つの複合座標 b|b' を共有する
    保持された各 (g,b) の同一性はここで確定し、値はまだ未知

# 第 2 段階 — 遺伝子樹層：保持された各射影スプリットが遺伝子樹を一度だけ参照する
    Σ(G_g) ← G_g の正準無根スプリット                           # ステップ 5
    for 保持された各射影スプリット σ とそのグループ:
        if σ ∉ Σ(G_g):            全要素を generic NA に        # 原因はまだ名付けない
        else if グループの要素が 2 つ以上:
                                全要素を NA_fuse に              # 枝長は b|b' に記入
        else:                   Mapped — 枝長を記録

# 第 3 段階 — finalize：対になった fixed/free の証拠で残りの NA に名を付ける
    NA_fuse は複合座標 b|b' が数値の枝長を持つ場合にのみ成立する
    free 側の generic NA は、fixed 側の原始座標が Mapped かつ数値を持つ場合にのみ
    NA_topo となり、そうでなければ residual NA のまま

ワークフローには二つのモードがある。matrix が座標系を構築し、全遺伝子をそこへ射影する。finalize が、対応する証拠に基づいて欠測状態を分類する。

Perl 5 が必要である（macOS や多くの Linux には最初から入っている）。SplitAligner はコアモジュールのみを使い、CPAN パッケージのインストールは不要である。

インストールはこれで全部である。メインの制御は SplitAligner.pl。各ステップの補助スクリプトは scripts/ にあり、自動的に呼び出される。

種の系統樹 — Newick 一本。枝長やサポート値は許容され、スプリットに基づくマッピングでは単純に無視される。

遺伝子系統樹 — Newick、一行一レコード。各行は遺伝子識別子で始まり、その直後に系統樹が続く。分類群名は種の系統樹と一致していなければならない。

SplitAligner は二種類の遺伝子系統樹入力を区別し、通常は両方を与える：

• free — 各遺伝子を独立に推定した系統樹（トポロジーが種樹と食い違ってよい）;
• fix — 種樹トポロジーに拘束して推定した系統樹（枝長のみ）。

この二つを比較することが、のちにカバレッジ由来の欠測と不一致由来の欠測を分ける鍵になる。

リポジトリには examples/302mammal/ に小さな例（free / fix 遺伝子系統樹のサブセット）が同梱されており、端から端までの動作確認を素早く行える。リポジトリのルートから：

これは以下の三回のプログラム呼び出しを順に実行する。本チュートリアルの残りでは、各ステップが何をし何を生成するかを解きほぐす。

matrix は遺伝子系統樹の集合ごとに一度実行する。種樹の枝にラベルを付け、全遺伝子をそこへ射影し、遺伝子 × 枝の行列を書き出す。

主な出力（--label が接頭辞）:

• species_tree.splits.txt — 標準的な枝座標系（種樹バックボーン上の B1, B2, …）。全遺伝子が測られる共通の軸である。
• <label>.matrix_no_fuse.txt — 原始枝のみ。
• <label>.matrix_with_fuse.txt — それに加えて、分類群の剪定で融合する枝の明示的な融合枝カラム（例 B12|B47)。
• <label>_splits/、<label>_split_branch_label/ — 遺伝子ごとのスプリット表現と、そのバックボーンへの対応付け。

各セルは、枝の射影スプリットが回収された場合はその枝長（数値）を、そうでない場合は NA を——まだ——持つ。この NA に名前を与えるのが次のステップである。

finalize に両方の行列を渡す。まず、数値を持つ融合座標で説明できる原始枝の NA を NA_fuse として識別し、次に共有遺伝子上で free と fix の行列を比較して、構造的欠測（NA_struct）とトポロジー由来の欠測（NA_topo）を切り分ける。fix 側に判定可能な数値的証拠がなければ、残余 NA を保持する。--species_tree を渡すと枝ごとのサポートも計算する。

出力：

• final.free.na_classified.txt / final.fix.na_classified.txt — 状態分類済みの行列。fix 側に数値的証拠がなければ、残余 NA が保持される;
• <input>.na_fuse.txt — 融合救済の中間テーブル;
• final.support_b.txt と species_tree.support_b.nwk — 枝ごとのサポート（ステップ 7）。

比較は両方の入力に存在する遺伝子についてのみ定義される。共有遺伝子が無ければ、SplitAligner は推測せずエラーで停止する。

すべての遺伝子 × 枝のセルは、最終的に以下のいずれか一つの値を取る。残余 NA は意図的な記帳状態である。fix 側の数値的証拠なしに NA_topo へ格上げすることはない。

これらのカテゴリは軸を分割します——台帳全体を足し合わせる：

NA を理由ごとに分ければ、下流の速度・選択解析で各状態を明示的に処理、フィルタリング、監査できる。すべての欠測を一つの不透明な値として扱う必要はない。

--species_tree を渡すと、finalize は final.support_b.txt を書き出す。バックボーンの各枝について、共有遺伝子上で fix の系統樹に対する free の系統樹での数値的根拠の保持度を示す。

対になる species_tree.support_b.nwk は、各内部枝の Support をブートストラップ位置に書き込んだ標準 Newick 樹である。任意の樹ビューア（例 FigTree）で開けば、一致度をトポロジー上に直接投影して見られる。

同じ二つのモードが本番規模でも動く。同梱のプレプリント例は、302 種の哺乳類にわたる 2,275 本の free トポロジーと 2,275 本の fix トポロジーの遺伝子系統樹を使う：

共通の一致性サブ問題において、SplitAligner の Support(b) は PhyParts と高い一致を示す（299 本の内部枝で Pearson r = 0.99997）。論文で報告した同一マシン上の比較では、SplitAligner の全工程は 9 分 52 秒、PhyParts の quick concordance 設定は 1 時間 50 分 53 秒で、このデータセットでは約 11 倍高速であった。これは校正と実行時間の比較であり、機能的な同等性を主張するものではない。

遺伝子樹の不一致を加えず、分類群の剪定だけを作用させる。完全な B1–B17 軸は固定されたまま、削除のたびにグラフで定まる台帳が observed、NA_fuse、NA_struct へ更新される。この実験では NA_topo は常にゼロである。