5.2 数据矩阵：把线索编成可计算的表格

5.2 数据矩阵：把线索编成可计算的表格

本节摘要：建树的第一道工序是把性状与序列组织成数据矩阵——行为类群、列为性状，交叉格填状态或碱基。编码方案的每个决定都在做模型假设：离散化怎么切阈值、缺失数据怎么补、序列比对怎么对齐、选哪些位点。矩阵不是数据的天真堆砌，矩阵本身就是演化假设，这决定了后续所有推断的方向。

上一节我们学了树的语法，现在进车间。建树算法不吃"翅上有条铜绿带"这种自然语言，它吃的是矩阵——一张行为类群、列为性状、交叉格填状态的表。本节把这张表讲透：它怎么编、编的时候在做什么取舍、哪些看起来中性的决定其实在偷偷预设演化模型。

一、矩阵的三要素

一张系统发生数据矩阵有三个部分：行（类群单元，通常是一个物种或一个个体）、列（性状或位点）、值（状态编码）。形态性状的编码方式是给状态编号：铜绿横带"有=1，无=0"，颚齿"4枚=0，5枚=1，6枚=2"。分子数据的矩阵则是一段段对齐好的序列：每个位点是一个"性状"，每行是各物种在该位点上的碱基。

矩阵的组织看似机械，其实处处是判断。第一个判断是行要选谁：采样不足（漏掉关键中间类群）会让树的形状失真，采样过多又引入冗余。第二个判断是列要选谁：第 4 章的"同源预审"在这里兑现——只有通过同源审核的性状才有资格进矩阵，趋同性状进来就是在往数据里掺假。第三个判断是值怎么定义：同一性状的编码粒度（分两态还是分三态）会影响树的搜索空间。

二、形态性状的编码三难题

形态编码没有分子编码那么"干净"，三个难题长期折磨着形态系统学家。

离散化的阈值。许多形态性状本质是连续的：翅展 35 到 45 毫米，怎么切成"大"和"小"？切在 40 毫米和切在 42 毫米，会把不同的个体分到不同状态。实践里常用的折中是把连续性状保留为连续值（第 5.3 节的模型可以处理），或者用"状态间隔"而不是单个阈值。但要注意：强行离散化会丢掉信息，而且切点本身是一种假设。

缺失数据的处理。化石只有部分骨骼，老标本腐烂丢了翅膀，雌雄个体常缺一方——矩阵里大量格子填不上。处理缺口的经典办法是填"缺失"符号（?），让算法跳过；但缺口比例太高时，树的分辨率会崩。更隐蔽的坑是：缺失不是随机的——古生物类群的缺失集中在大块结构，这种"非随机缺失"会系统性地扭曲推断结果，属于需要专门建模的问题。

性状间的相关性。翅膀长度与身体长度强相关，若两者都进矩阵，等于把同一条信息记了两遍，会"加重"这个信号。好的矩阵要识别并剔除冗余性状，或显式建模性状间的相关性——可惜多数形态矩阵仍在用朴素假设，这也是形态树相对分子树更容易出现假高支持度的原因之一。

三、序列矩阵：比对是一切的前提

分子矩阵的关键工序是比对——把同源位点对齐。序列比对（如 MAFFT、MUSCLE 这类工具做的事）决定哪些列是"同一个位点"，比对错了，后面的推断全错。比对中常出现的两个问题：一是插入缺失（indel）处理，序列里有空缺（gap）时，是当作第五个状态还是当缺失符号，直接影响位点信息量；二是歧义区域，序列两端质量差、或重复区无法可靠对齐的片段，惯例是切掉（trim）再进矩阵，否则噪音会稀释信号。

选哪些位点同样有讲究。全基因组有几十亿碱基，矩阵装不下也不需要全装：选直系同源基因（在不同物种里由同一祖先基因传下来的，而非旁系同源）是关键，因为旁系同源位点（复制产生）讲的是基因复制史，不是物种史。第 5 章支柱页提到的"基因树不等于物种树"，一大半根源就在这：用了旁系同源位点或用了受选择强影响的位点，树的形状就会被带偏。

# 概念示意：数据矩阵的组织结构（伪代码，非生产脚本）
matrix = []
for taxon in taxa:
    row = {"taxon": taxon}
    row["形态_铜绿横带"] = 1 if taxon.has_band else 0
    row["形态_颚齿数"] = taxon.mandible_teeth   # 连续性状保留原值
    row["COI_137"] = taxon.coi[136]               # 序列位点按比对后坐标取碱基
    row["COI_138"] = taxon.coi[137]
    matrix.append(row)
# 输出到建树程序时转成 PHYLIP 或 NEXUS 格式
print(to_nexus(matrix))  # NEXUS 是分子系统学的通用交换格式
​

四、完整案例：一份矩阵如何决定一棵树的命运

背景：某研究团队要重建一个快速辐射的甲虫属的亲缘，最初只测了一个线粒体基因，矩阵里填满该基因全长的 640 个位点。操作：先用这套矩阵建树，支持度看着不错；随后补测了三个核基因，把矩阵扩成"1 个线粒体 + 3 个核基因"的联合矩阵，并用比对工具重新对齐，切掉了两端质量差的 120 个位点。结果：联合矩阵重建的树与单基因树在四个内部节点上拓扑不同，其中两个节点的支持度翻案（原来自展值 95% 的分支在联合数据里只剩 60%，而原来 40% 的分支涨到 92%）。解读：这个案例讲了两件事——单基因矩阵信息量不足，且线粒体基因受选择与母系遗传的影响，可能系统性偏向某种拓扑；联合矩阵通过补足独立信息与清洗低质量位点，给了更稳的答案。变式：若当初把"切掉两端"省略，把低质量位点全留下，噪音会稀释信号，可能得到"看似支持度不错、实则错误"的树——这正是第 5.3 节要防的假高支持度。

五、回到本案：LN-2026-0717 的矩阵设计

按本章原则给 LN-2026-0717 开一张矩阵处方：行——它自己 + 同属 12 个代表种 + 外群 1 个；列——形态性状约 20 个（全部过同源预审，排除趋同嫌疑的翅斑、体色），分子位点 COI 全序列加两个核基因各一段；缺失处理——尽量采到雌雄双性，实在缺失用符号标注并在方法里交代；比对——用标准工具对齐并 trim 掉低质量区。这张处方没有一处是"随意"，每一条都对应一个已知的坑。做对了，后面建树才不会把案带偏。

本节要点回顾

• 矩阵 = 行为类群 + 列为性状 + 交叉格填状态，是建树唯一入口；
• 形态编码三难题：连续性状离散化阈值、缺失数据的非随机性、性状间相关性；
• 序列矩阵的前提是比对：indel 处理与低质量区剪切都影响信号；
• 只选直系同源基因：旁系同源位点讲的是基因史不是物种史；
• 单基因矩阵信息不足，联合矩阵补足独立信息才是可靠做法。

矩阵就位。下一站是质检——树建出来了，自展值和后验概率到底在告诉我们什么。