核心用法
本技能为生物信息学专用分析工具，用于研究蛋白质序列中氨基酸功能类别相邻对的频率分布规律。主要支持四种应用场景：（1）对新物种/类群执行完整分析流程，从原始FASTA序列经MSA比对、共识序列提取到对型统计；（2）直接从已有共识序列进行对型频率统计；（3）与文献报道结果进行对比验证；（4）在修改氨基酸分类规则或统计参数后重新分析。
操作流程分为初始化与执行两个阶段。首次使用需运行setup.sh完成环境配置，自动检测Python 3.8+、pandas、biopython及ClustalOmega等依赖。核心分析通过species_analysis_workflow.py（完整流程）或run_pdf_analysis.py（PDF共识序列批量处理）执行，支持断点续传功能。
显著优点
- 方法学严谨：采用经过验证的标准化流程，包括保守性阈值过滤（默认0.5）、特定氨基酸排除（X/A/G/P）、对称对合并等步骤，确保结果可重复
- 灵活性高：支持从原始序列到最终统计的端到端分析，也支持基于现有共识序列的快速分析
- 参数可调：阈值、氨基酸分类规则等关键参数可自定义，便于探索性研究和敏感性分析
- 输出规范：自动生成CSV格式统计表，包含Top5对型、φ值、21种对型完整计数等结构化数据
潜在缺点与局限性
- 计算依赖性强：必须预先安装ClustalOmega等外部工具，Windows平台配置可能复杂
- 分类规则固定：默认17种参与统计的氨基酸分类基于特定文献方法，修改需手动同步多个脚本
- 阈值敏感性：0.5的保守性阈值可能过滤掉部分有意义的变异位点，不同类群可能需要差异化调整
- 对称对合并假设：将N-H与H-N合并为同一对型可能损失部分方向性信息
- 缺乏可视化：输出为纯文本表格，需配合其他工具进行图表生成
适合人群
- 进化生物学与比较基因组学研究人员
- 蛋白质结构与功能关系研究者
- 需要批量处理多物种序列的自动化分析需求
- 验证特定文献方法或进行方法学比较的科研人员
常规风险
- 环境配置失败风险：ClustalOmega在不同操作系统上的安装可能失败，建议提前测试
- 内存与耗时：大规模MSA比对可能消耗大量计算资源
- 断点续传一致性：使用
--resume时需确保源数据未发生变更，否则可能产生不一致结果 - 阈值选择偏差：阈值设置不当可能导致共识序列中X比例过高，影响后续统计效力