5.3 支持度：证据有多硬

5.3 支持度：证据有多硬

本节摘要：支持度评估回答"这棵树的结论有多可信"。自展值靠重复抽样测"结论重现率"，后验概率靠模型测"结论可信度"，两者统计含义不同、适用范围不同。支持度高不等于结论真——系统性错误（同源位点偏差、模型设定失误、采样偏倚）能制造看似坚硬的高支持度。读懂数字，更要读懂数字是怎么来的。

上一节我们把矩阵编好了，算法跑完，输出一棵带数字的树。现在到了最考验判断力的环节：这些数字——自展值 95%、后验概率 0.99——到底在说什么？很多人把它们当"正确率"读，这一节先把这个误读纠过来，再教你怎么在三种硬度计量之间做选择。

一、自展值：结论的重现率

自展法（bootstrap）的思路朴素得近乎粗暴：把原始数据矩阵当"母体"，随机重抽样出大量新矩阵（每列重新抽，可重复），对每个重抽样矩阵重跑一遍建树，然后数"某个分支在多少次重抽样里重现"。重现比例就是自展值。比如自展值 95，意思是：在随机重抽样的一百份数据里，这个分支在九十五份里都建出来了。

注意它度量的是什么：不是"这个分支为真的概率"，而是"这个分支在数据扰动下的稳定性"。数据稍有扰动结论就变，自展值就低；数据再怎么扰动结论都不变，自展值就高。这层区别极其重要——自展值高说明"换个样本还是这个结论"，但它不能说明"结论本身符合演化现实"。一个常见的误读是把自展值 95 当成"百分之九十五正确"，那是把频率统计读成了概率判断。

自展值的另一个坑是它的参考系：自展值在形态树和分子树之间没有统一标尺。形态数据性状少、信息弱，分支自展值普遍偏低；分子数据位点多、信息强，自展值普遍偏高。所以"自展值大于七十就算硬"这种江湖规则，换数据类型就得重新校准。比较靠谱的用法是看相对值：同一棵树里，哪些分支的自展值明显高于邻居，那些分支才是"数据支撑更稳"的。

二、后验概率：模型下的可信度

贝叶斯法走另一条路。它先给演化过程一个模型（核苷酸替换模型、分子钟、树先验），再算"在数据与模型下，这棵树的概率"。每个分支的后验概率就是"给定这一切，这个分支成立的概率"。后验概率 0.99 的直观读法确实是"极大概率"，但它的前提条件必须说全：给定模型设定与先验选择。模型错了，0.99 也就错了。

贝叶斯的软肋在"先验"。树先验（比如假定物种形成速率恒定）、分子钟先验（严格钟还是松弛钟）、替换模型先验（GTR 还是更简模型），每个先验都是一张"我们相信什么"的牌。样本量小、信号弱的时候，先验的作用会盖过数据；快速辐射类群尤其危险——分化事件挤在很短时间内，数据几乎不携带分叉顺序的信息，后验概率会主要由先验决定，而研究者往往不知道这一点。

三、两种计量怎么配合

实务里的配合口诀是：大样本、强信号的分子树，后验概率可信；小样本、弱信号或形态树，自展值更稳。更深一层：两者并不总一致，不一致本身就是信息——如果一个分支自展值 60% 而后验 0.99，说明数据对分叉顺序没把握，是模型的先验在"撑着"这个结论；这种分支必须降级对待，不能因为有一个漂亮数字就当成定论。

第三类计量是约简一致性指数（如 CI、RI），它度量"性状与树的一致程度"：一致性低说明大量性状在树上反复"走回头路"（同形性高），这棵树解释数据的效率差。它不直接度量支持度，但能预警树的基础是否扎实——CI 很低的树，即使自展值高，也要警惕是不是恰好被少数几个"强信号"性状牵着走。

四、假高支持度：数字漂亮，结论是错的

支持度最大的陷阱不是数字低，而是"假高"——系统性错误制造的看似坚硬的高支持度。四种常见来源：

同源位点偏差：全基因组里选了受同一选择压影响的位点群，等于把同一个信号重复了一万遍，自展值当然"稳定"，但稳定的是错误。模型设定失误：用了过简的替换模型，无法容纳真实的演化速率差异，算法把"模型没解释的部分"硬塞进某个分支，制造高后验。采样偏倚：外群选错（选了个近缘的当外群），整棵树的根摆错位置，支持度依然可以很高。平行演化的位点：快速辐射类群里，趋同位点在亲缘近的物种间"共享"得更频繁，让算法误以为它们同源，制造出坚挺的假分支。

识别假高支持度的方法论，其实在第 4 章就埋下了：交叉验证。同一数据用不同算法建树、用不同模型设定重跑、把有争议的位点删掉重跑，看结论动不动。结论越稳，支持度越可信；一换设定就翻案，那再高的数字也只是纸糊的。这也是为什么严谨的系统发生论文会同时报告多种方法的结果——不是形式主义，是防假高。

五、完整案例：被"漂亮数字"带偏的一次定案

背景：某团队重建一组濒危蛙类的亲缘，单线粒体矩阵建树，所有关键分支自展值都超过九十，论文顺利发表，还把其中一个分支拆成了新属。操作：另一团队复核时用核基因组重跑，发现线粒体树上的"新属"根本不存在——蛙类中线粒体基因存在线粒体渗入（近缘种杂交后，母系线粒体被"借"过来，让物种甲的线粒体树与物种乙混在一起）。结果：新属被撤销，原论文撤稿，两家团队陷入长达数年的争论。解读：这个案例是"假高支持度"的标准教科书——单基因、强信号、高自展值，每一步都"合规"，却因为线粒体渗入这个系统性偏差全盘皆错。教训有三条：单基因树永远只当假说；线粒体在近缘种里存在杂交污染风险；支持度再高也要经得起"换数据源重验"的考验。变式：LN-2026-0717 的建树若只测 COI（线粒体基因），就暴露在同样的风险下——这正是第 4 章证据计划里坚持"COI 加核基因"的原因。

六、回到本案：怎么给 LN-2026-0717 的支持度把关

给本案列一份"质检清单"：第一，多基因联合建树，COI 与核基因分别建树再对照，防线粒体渗入；第二，至少用两种算法（似然法与贝叶斯法）交叉，看拓扑是否一致；第三，报告支持度时同时给自展值与后验概率，不一致的节点标注为"存疑节点"；第四，把一致性指数低、同形性高的位点做敏感性分析——删掉重跑，看关键分支动不动。这四条做完，LN-2026-0717 的"归谁家"结论才算过得了关。

本节要点回顾

• 自展值测结论重现率，后验概率测模型下可信度，两者都不是"正确率"；
• 配合口诀：大样本强信号信后验，小样本弱信号看自展，打架说明先验在撑；
• 一致性指数预警树的基础质量，CI 低时高支持度要打问号；
• 假高支持度四大来源：同源位点偏差、模型失误、采样偏倚、平行位点；
• 防假高的唯一办法是交叉验证：换算法、换模型、删位点，结论不动才算数；
• 本案质检四步：多基因对照、双算法交叉、双指标报告、敏感性分析。

树画好了，支持度也验过了。第 6 章拿着这棵树回到最初的问题——LN-2026-0717 到底算不算一个物种。