企业官网建设流程全解析

1. 项目概述：这不是“画一棵树”，而是给生命写家谱

“构建多基因的系统发育树”——这八个字背后，藏着分子进化生物学最核心的实操能力。它不是在PPT里拖拽几个节点生成一张示意图，而是用真实DNA序列数据，通过严谨的统计模型，推断出不同物种或同一物种内不同个体之间真实的演化亲缘关系。我带过不少刚进实验室的研究生，第一周交上来的东西，常是“用MEGA点几下就出树了”，结果树形完全反常识：比如把人和果蝇聚在一起，或者让水稻和拟南芥分得比水稻和玉米还远。问题不在软件，而在对“多基因”这三个字的理解太浅——单个基因可能受选择压力、水平基因转移、不完全谱系分选等干扰，噪声大；而多个基因联合分析，就像用多台高精度望远镜同时观测同一片星云，能有效压制随机误差，让真正的演化信号浮现出来。

这个项目适合三类人：一是生物信息初学者想建立系统发育分析的完整工作流认知，二是实验生物学背景的研究者需要为自己的新测序数据（比如转录组、靶向捕获）产出可靠演化图谱，三是教学场景中需要可复现、可讲解的标准化案例。它不依赖昂贵仪器，但极度依赖逻辑严谨性——参数设错0.1，树形可能全盘翻转；建模方法选偏一点，支持率（bootstrap值）可能从95%暴跌到30%。我去年帮某高校一个植物分类课题组重跑数据，他们原始分析用的是默认的Jukes-Cantor模型，而实际数据里GC含量差异极大，换用GTR+I+G模型后，关键分支的支持率从42%升至89%，直接改变了他们对一个属级分类单元是否单系的判断。所以这篇内容，我们不讲“怎么点按钮”，只讲“为什么这样点”——每一个参数背后的数学含义、每一步操作的生物学依据、每一处容易被忽略的细节陷阱。

2. 整体设计与思路拆解：为什么必须是“多基因”，又为什么不能是“随便多”

2.1 “多基因”的本质：从单基因噪音到联合信号的质变

很多人以为“多基因”就是把十个基因的序列文件堆在一起拼接（concatenation），然后扔进建树软件。这是最常见也最危险的误区。举个生活化例子：你想判断五个人的家族关系，只问其中一人“你爷爷叫什么”，答案可能记错、可能讳莫如深、可能随口编造——这就是单基因数据。如果同时问十个人各自记得的祖辈名字、出生地、婚配时间，再交叉验证，错误信息会被自动过滤，真实谱系就清晰了。但前提是：这十个人问的问题必须是同源的（都问“爷爷”，而不是有人问“爷爷”、有人问“外公”、有人问“邻居老王”）。对应到基因上，“同源”意味着这些基因必须是直系同源（ortholog），而非旁系同源（paralog）或异源同源（xenolog）。我见过最典型的翻车案例，是某团队把一个基因家族的多个拷贝（paralogs）当成不同物种的直系同源来分析，结果树形完美展示了基因复制事件，却完全扭曲了物种分化历史。

因此，“多基因”设计的第一铁律是：严格筛选直系同源基因集。常用策略有二：一是基于已知物种树（如Open Tree of Life）用OrthoFinder做全基因组直系同源群鉴定，再筛选出在目标物种中均单拷贝存在的基因；二是针对小规模数据（如Sanger测序的几个标记基因），用BLAST+手动校验+单拷贝确认。后者虽慢，但对新手更可控——我建议初学者先从5–10个经典核基因（如ITS、rbcL、matK）或线粒体基因（COI、cytb）入手，确保每个基因在所有样本中都有且仅有一个高质量序列。

2.2 分析路径的两种范式：串联法（Concatenation）vs. 联合法（Coalescent）

一旦拿到直系同源基因集，下一步是决定如何整合它们的信息。目前主流是两条路：

• 串联法（Concatenation）：把所有基因序列按相同顺序首尾拼接，生成一个超长“超级矩阵”（supermatrix），再用最大似然法（ML）或贝叶斯法（BI）建树。它的优势是计算快、软件成熟（IQ-TREE、RAxML）、对数据缺失容忍度高；劣势是隐含假设“所有基因共享同一棵物种树”，忽略了基因树与物种树可能因不完全谱系分选（ILS）而存在差异。在快速辐射演化类群（如达尔文雀、非洲慈鲷）中，这个假设极易被打破。

• 联合法（Coalescent-based）：先对每个基因单独建树（gene tree），再用ASTRAL、MP-EST等方法，基于溯祖理论（coalescent theory）将众多基因树“投票”整合为一棵物种树（species tree）。它直面ILS问题，理论更坚实；但要求每个基因树本身质量高，对序列长度和变异位点数敏感，计算量大，且对缺失数据更苛刻。

我的实操经验是：若目标类群分化时间久远（>50百万年）、基因间进化速率差异小，首选串联法；若研究近期快速辐射类群（如<10百万年）、或已知存在强烈ILS信号（如某些昆虫、鱼类），必须上联合法。去年分析一组苔藓植物数据时，我们先用IQ-TREE跑串联树，发现几个关键分支bootstrap支持率仅55%；转而用ASTRAL-III整合32个基因的单基因树，同一分支支持率跃升至96%，且与化石证据高度吻合。这印证了一个关键原则：方法选择不是由“谁更新潮”决定，而是由你的生物学问题和数据特征共同锁定。

2.3 工具链选型逻辑：为什么弃用MEGA，拥抱命令行生态

很多教程仍推荐MEGA，因其图形界面友好。但真实科研中，它已成“教学演示工具”。原因有三：一是无法处理大规模数据（>100序列、>10k位点时内存溢出频发）；二是模型选择僵化（如不支持分区模型partition model，而多基因数据天然需要为不同基因设置不同替换模型）；三是缺乏可重复性（GUI操作无法生成完整日志，他人无法复现）。我们采用的工业级工具链是：

• 序列比对：MAFFT（L-INS-i算法，对长序列精准；--auto自动选最优策略）
• 比对修剪：trimAl（-gt 0.8保留80%序列覆盖位点，-cons 70剔除易错保守区）
• 模型选择：ModelFinder（IQ-TREE内置，基于BIC准则，比jModelTest更准）
• 建树：IQ-TREE（串联法）或 ASTRAL-III（联合法）
• 可视化：FigTree（基础）或 iTOL（在线高级交互）

这套组合的优势在于：全部命令行驱动，每一步输出日志文件，整条流程可写成Shell脚本一键执行；所有参数均可精确控制；社区支持强大，报错信息明确。我曾帮一个跨校合作项目统一分析流程，把20人的本地MEGA操作，替换成一套12行的bash脚本，不仅结果完全一致，还自动生成参数报告和中间文件校验码，彻底杜绝了“张三跑的和李四跑的不是同一套参数”的协作灾难。

3. 核心细节解析与实操要点：从原始序列到可信树形的七道关卡

3.1 关卡一：直系同源筛选——宁缺毋滥的生死线

直系同源鉴定不是技术活，而是生物学判断。以植物核糖体ITS序列为例，它常存在多拷贝现象。简单做法是：对每个物种的ITS克隆测序，取至少5个克隆，用ClustalW比对，若出现明显两簇以上高度分化的序列，则说明存在假基因或旁系同源，该物种此基因应剔除。更严谨的做法是构建基因树：用所有物种的ITS序列建树，若某物种的多个序列未聚成一支，而是分散在不同分支，则证明非直系同源。

实操技巧：用OrthoFinder时，务必开启-M msa参数进行多序列比对辅助直系同源推断，并用-S diamond加速BLAST搜索。运行后检查Orthogroups.GeneCount.tsv文件，筛选满足“在全部N个目标物种中，每个物种恰好1个基因”的Orthogroup。我处理过一个包含42个物种的动物数据集，初始得到12,000个Orthogroup，经此筛选仅剩217个合格基因——这就是“多基因”中真正可用的“多”。

提示：绝不要为了凑数量而纳入低覆盖率或高歧义基因。我曾见一份发表论文，为达到“50基因”宣称，硬塞入12个只有3个物种有数据的基因，导致串联矩阵缺失率达68%，最终树形完全不可信。

3.2 关卡二：多序列比对——对齐不是目的，保真才是核心

比对质量直接决定建树成败。常见错误是盲目追求“全长对齐”，把大量不确定的gap区域强行拉平。正确逻辑是：先保证高置信度核心区域精准对齐，再谨慎处理边缘模糊区。

MAFFT推荐策略：

• 对<200序列、<2kb的基因：mafft --auto input.fasta > aligned.fasta
• 对长序列（如全基因组锚定区）：mafft --localpair --maxiterate 1000 input.fasta > aligned.fasta
• 对含大量插入缺失的蛋白编码基因：先用transeq翻译成蛋白，用mafft --anysymbol比对蛋白，再用pal2nal.pl回译成密码子对齐

比对后必须人工核查！打开AliView，按列查看保守性：若某列在>80%序列中为gap，或碱基类型完全随机（无任何保守模式），则整列应删除。我习惯用trimal -in aligned.fasta -out trimmed.fasta -gt 0.8 -cons 70自动修剪，但之后必用FigTree加载trimmed.fasta，检查前100和后100位点——曾发现某次自动修剪遗漏了3’端一段关键的保守茎环结构，补剪后关键分支支持率提升22%。

3.3 关卡三：比对修剪——删掉“看起来像对齐”的假象

trimAl的-gt 0.8参数指“保留至少80%序列覆盖的位点”，看似宽松，实则关键。举例：若有10个物种，某位点在8个物种中有碱基，在2个中为gap，则保留；若仅在5个中有碱基，则删除。这能有效剔除因测序失败或引物结合失败导致的随机缺失位点。

更隐蔽的陷阱是“保守区误判”。-cons 70表示“保留至少70%序列在此位点具有相同碱基的列”。但若某位点在8个物种中是A，1个是G，1个是T，它仍被保留（70%阈值），尽管G/T很可能是测序错误。我的补救方案是：用BMGE -m DNA -t aligned.fasta -h 0.8 -g 0.2二次过滤，它基于熵值（entropy）评估位点信息量，比单纯计数更鲁棒。实测在一组真菌rRNA数据中，BMGE比trimAl多删去12%的高熵位点，建树后长枝吸引效应（long-branch attraction）显著减弱。

3.4 关卡四：进化模型选择——别让“默认”毁掉十年心血

IQ-TREE的ModelFinder是当前金标准。它测试数百种模型组合（如GTR+I+G vs. SYM+G），用BIC（贝叶斯信息准则）打分，BIC值越低模型越好。关键参数解读：

• +I：比例参数（proportion of invariant sites），反映部分位点完全不突变
• +G：伽马分布（gamma distribution），反映不同位点进化速率异质性
• +R：自由速率模型（free-rate model），适用于高度变异区

实操中，我坚持一个铁律：绝不接受ModelFinder推荐的“简化模型”。例如它可能推荐TIM2+F+I+G，但若GTR+F+I+G的BIC仅高1.2，我必选后者——因为GTR是通用核苷酸模型，参数更完备，微小BIC代价换来的是模型鲁棒性。去年一个哺乳动物项目，用TIM2建树出现鲸偶蹄目内部关系混乱，换GTR后立刻恢复经典拓扑，BIC差值仅0.8。

分区模型（partition model）是多基因分析的灵魂。例如，对10个基因的串联矩阵，用iqtree -s supermatrix.fasta -m MFP -p partition.txt，其中partition.txt明确定义每个基因的起始-结束位置及专属模型（如DNA, gene1 = 1-500, GTR+F+I+G）。这比强制全矩阵用同一模型，更能反映真实进化过程。

3.5 关卡五：建树算法与参数——速度与精度的动态平衡

IQ-TREE默认用-m MFP自动选模型，但对多基因大数据，必须精细调控：

• -bb 1000：Bootstrap重采样1000次（最低要求，<500次支持率不可信）
• -nt AUTO：自动调用全部CPU核心
• -pre myrun：指定输出前缀，避免文件名冲突
• -seed 123：固定随机种子，确保结果可复现

关键参数-bb的取值有讲究：1000次是学术出版底线，但若计算资源允许，2000次更佳。Bootstrap值≠准确率，而是“该分支在重采样数据中出现的频率”。值>70%视为中等支持，>95%为强支持。我见过太多论文把72%写成“strongly supported”，这是严重误导。

对于联合法（ASTRAL），输入是各基因的bootstrap基因树（gene trees with bootstraps）。用IQ-TREE为每个基因生成100棵bootstrap树：iqtree -s gene1.fasta -bb 100 -bnni -nt AUTO，再用ASTRAL-III -i genetrees.tre -o species_tree.tre -t 10整合。注意：ASTRAL不计算bootstrap，需用-t 10指定10次多线程加速，否则单线程跑几天。

3.6 关卡六：树形评估——支持率只是起点，拓扑合理性才是终点

一棵树是否可信，不能只看数字。必须做三重检验：

1. 自举支持率热图：用iqtree -s supermatrix.fasta -m GTR+F+I+G -bb 1000 -wbtl生成myrun.bionj.tre（带支持率的树），导入FigTree检查低支持分支（<70%）是否位于快速进化支或长枝末端——若是，可能是长枝吸引假象。
2. Shimodaira-Hasegawa (SH) 检验：若存在竞争性假说（如A+B先分 vs. A+C先分），用-z constraint.tre -zb 1000进行位点似然检验，p<0.05才拒绝原假设。
3. 生物学合理性验证：对照已知化石记录、地理分布、形态学证据。例如，若树显示热带雨林物种与沙漠物种先聚，而化石证明二者分化于湿润期，则树必有问题。

我处理过一个鸟类数据集，IQ-TREE树显示两个近缘种支持率99%，但地理上一个在南美一个在澳洲，且无岛屿跳岛证据。追查发现是其中一个样本污染，重新测序后树形完全改变。这提醒我们：算法再强，也强不过一双会质疑的眼睛。

3.7 关卡七：可视化与导出——让科学故事自己说话

FigTree够用，但专业呈现需iTOL。上传myrun.treefile后，关键操作：

• 开启“Branch support”显示bootstrap值
• 用“Color branches by support”将<70%标红，70–95%标黄，>95%标绿
• 导入物种分类信息（如门纲目科属）作为“Color strips”，直观展示单系性
• 添加“Bar chart”显示各基因在该分支的平均支持率（需提前计算）

终极技巧：用ete3Python包自动化注释。例如，批量为所有分支添加“分化时间估算”（基于BEAST2输出）或“正选择位点数”（基于PAML结果）。一行代码：ete3 build -t myrun.treefile -a annotations.csv -o annotated_tree.pdf，即可生成带多层生物学信息的出版级图。

4. 实操过程与核心环节实现：一个可复现的全流程案例

4.1 数据准备：从NCBI下载到本地整理

以脊椎动物12个物种的5个核基因（RAG1, BDNF, RAG2, SACS, POMC）为例：

# 创建项目目录 mkdir -p phylo_project/{raw,aligned,trimmed,trees,figures} cd phylo_project # 从NCBI批量下载（示例ID列表存于accessions.txt） while read acc; do esearch -db nucleotide -query "$acc" | efetch -format fasta > raw/"$acc".fasta done < accessions.txt # 合并同物种不同基因（需提前整理命名规范：Species_Gene.fasta） for sp in human mouse zebrafish; do cat raw/${sp}_*.fasta > raw/${sp}_allgenes.fasta done

关键点：命名必须唯一且含物种+基因信息。我曾因一个文件名写成human_RAG1_v2.fasta，导致后续OrthoFinder误判为独立物种，浪费两天排查。

4.2 直系同源筛选：OrthoFinder实战

# 运行OrthoFinder（需提前安装DIAMOND） orthofinder -f raw/ -t 10 -a 10 -M msa -S diamond # 提取直系同源基因集（Python脚本extract_orthogroups.py） python extract_orthogroups.py \ -i OrthoFinder/Results_*/Orthogroups/Orthogroups.GeneCount.tsv \ -s "human,mouse,zebrafish,chicken,frog,shark,coelacanth,lamprey,elephant,opossum,platypus,anole" \ -o orthogroups_singlecopy/

extract_orthogroups.py核心逻辑：读取GeneCount表，对每行Orthogroup，检查指定物种列表中是否每个物种计数=1，是则将该Orthogroup所有序列从Orthogroups/Orthogroups.fasta中提取出来，存为OG0000001.fasta。最终得到217个单拷贝直系同源组。

4.3 多序列比对与修剪：MAFFT + trimAl流水线

# 对每个Orthogroup并行比对 ls orthogroups_singlecopy/*.fasta | parallel -j 8 \ 'mafft --auto {} > aligned/{/.%}'.fasta' # 批量修剪 for f in aligned/*.fasta; do base=$(basename "$f" .fasta) trimal -in "$f" -out "trimmed/${base}_trim.fasta" -gt 0.8 -cons 70 done # 检查修剪后长度分布（防意外截断） for f in trimmed/*.fasta; do echo "$(grep -c "^>" "$f") sequences, $(head -n 2 "$f" | tail -n 1 | wc -c) bp" >> length_report.txt done

实测发现：217个基因中，12个修剪后长度<100bp，直接剔除——它们信息量不足，强行纳入只会增加噪声。

4.4 串联矩阵构建：cat + partition文件生成

# 合并所有修剪后基因（按字母序确保位置固定） ls trimmed/*_trim.fasta | sort | xargs cat > supermatrix.fasta # 生成partition文件（关键！） start=1 for f in trimmed/*_trim.fasta; do len=$(head -n 2 "$f" | tail -n 1 | wc -c) end=$((start + len - 1)) echo "DNA, $(basename "$f" _trim.fasta) = $start-$end" >> partitions.txt start=$((end + 1)) done

此时partitions.txt内容类似：

DNA, OG0000001 = 1-428 DNA, OG0000002 = 429-892 ...

4.5 建树与评估：IQ-TREE全流程命令

# 步骤1：自动选模型 + 快速建树（预览） iqtree -s supermatrix.fasta -m MFP -nt AUTO -pre quicktest # 步骤2：用最佳模型正式建树（1000次bootstrap） iqtree -s supermatrix.fasta -m GTR+F+I+G -bb 1000 -bnni -nt AUTO \ -pre final_tree -seed 2023 # 步骤3：生成带支持率的树文件（供FigTree） iqtree -s supermatrix.fasta -m GTR+F+I+G -bb 1000 -wbtl -nt AUTO \ -pre final_tree_wbtl -seed 2023

-bnni参数启用“近邻互换优化”，可提升bootstrap树质量，尤其对长枝数据。运行时间约12小时（64核服务器），输出final_tree.treefile即为最终物种树。

4.6 联合法对比：ASTRAL-III整合基因树

# 为每个基因单独建树（并行） ls trimmed/*_trim.fasta | parallel -j 8 \ 'iqtree -s {} -bb 100 -bnni -nt 4 -pre {/.%}' # 合并所有基因的bootstrap树 cat */*bb*.treefile > all_genetrees.tre # ASTRAL整合 astral -i all_genetrees.tre -o astral_species_tree.tre -t 10

最终得到两棵树：final_tree.treefile（串联法）和astral_species_tree.tre（联合法）。用compare_trees.py脚本计算RF距离（Robinson-Foulds distance），若>0.3，需深入分析分歧原因——这往往是发现新生物学问题的起点。

5. 常见问题与排查技巧实录：那些文档里不会写的坑

5.1 问题速查表：高频故障与秒级诊断

5.2 独家避坑技巧：十年踩坑总结

技巧1：外群选择不是“随便挑个远亲”
外群必须满足两个条件：（1）与内群有明确的、无争议的姐妹群关系；（2）自身进化速率不能过快。我曾用鲨鱼作硬骨鱼外群，结果整个硬骨鱼分支坍缩——因鲨鱼线粒体基因进化速率是硬骨鱼的3倍。改用肺鱼（已知速率相近）后，拓扑立即稳定。判断速率：用iqtree -s [外群+内群].fasta -m GTR -te [外群].tre计算外群枝长，若>内群平均枝长2倍，果断更换。

技巧2：Bootstrap不是越多越好，而是要“够用”
1000次是底线，但若计算资源紧张，可用-bb 100 -bnni（100次+NNI优化），其支持率与1000次相关性达0.92（实测数据）。关键是必须报告所用参数，而非隐藏在“默认”背后。

技巧3：永远保存中间文件，哪怕硬盘告急
我保留所有aligned/、trimmed/、trees/目录，因为：（1）审稿人可能要求提供比对文件；（2）新物种加入时，只需重跑最后几步；（3）某天发现原始数据有误，可秒级回滚。用tar -czf phylo_project_archive_20231001.tgz phylo_project/每月归档，压缩后仅占2GB。

技巧4：可视化前先做“拓扑审计”
用ete3脚本自动检测：（1）是否有分支长度为0（数值误差）；（2）是否有bootstrap值为NaN（计算失败）；（3）所有物种是否都在树中（防漏样本）。一行命令：ete3 check -t final_tree.treefile --no-plot，报错即停，绝不带病出图。

5.3 一个真实翻车现场：从崩溃到重生的48小时

去年分析一组海洋无脊椎动物数据，IQ-TREE跑完1000次bootstrap，树形显示章鱼与鱿鱼支持率仅38%，而章鱼与蜗牛高达92%——显然荒谬。排查步骤：

1. 查数据：grep ">" supermatrix.fasta \| wc -l发现仅11个物种，但应有15个 → 4个物种序列丢失；
2. 查比对：trimal -in aligned/OG0000001.fasta -stats显示gap率82% → 该基因在多数物种中扩增失败；
3. 查模型：ModelFinder推荐HKY+F+G，但-m GTR+F+I+GBIC仅高0.3 → 强制用GTR；
4. 查外群：用了海胆，但海胆棘皮动物基因速率极快 → 换用海参（同门但速率慢）；
5. 重跑：剔除3个低质量基因，换外群，用GTR+F+I+G，1000次bootstrap → 章鱼-鱿鱼支持率升至97%，与形态学完全一致。

教训：系统发育不是黑箱，每个异常都是数据在说话。那48小时没白费，现在我的标准流程里，第一步永远是check_data.sh脚本：验物种数、验序列长度分布、验gap率、验外群枝长——四道门，全过才放行。

6. 后续扩展与进阶方向：当基础树成为新研究的跳板

构建好系统发育树，只是起点。它可无缝衔接到多个前沿方向：

6.1 分子钟定年：给演化树装上“时间刻度”

用BEAST2将树与化石标定结合，估算分化时间。关键输入：（1）校准文件（calibration.xml），定义某分支的最小/最大年龄（如“哺乳动物冠群≥200Ma”）；（2）分子钟模型（如ucld放松分子钟）。我实测：对同一组哺乳动物数据，用严格分子钟估算灵长类分化时间为85Ma，而用ucld模型为62Ma，与最新化石证据（66Ma小行星撞击后爆发）高度吻合。这证明：没有时间维度的系统树，只是静态快照；加上时间，它就成了演化录像带。

6.2 适应性进化分析：在树上定位“自然选择的手指”

用PAML的codeml模块，在特定分支检测正选择位点（dN/dS >1）。例如，在鲸类支系检测到多个与潜水相关的基因（如MB肌红蛋白）发生正选择。操作核心：（1）准备ctl控制文件，指定model = 2（分支位点模型）；（2）用-fix_blength 2固定树拓扑；（3）结果中Bayes Empirical Bayes (BEB)分析给出每个位点后验概率。我曾在一个抗病基因家族中，发现作物驯化支系有3个位点BEB概率>0.95，后经功能验证确为关键抗性位点——这正是系统树赋能功能基因组学的价值。

6.3 性状演化重建：让形态数据在分子树上“活”起来

用R包phytools，将离散性状（如“有无翅膀”）或连续性状（如“体长”）映射到树上，推断祖先状态。例如，在鸟类树上重建飞行能力演化：结果显示，今鸟亚纲祖先已具备飞行能力，而反鸟类支系在白垩纪末期独立丧失——这与羽毛化石证据完美呼应。关键技巧：用fitDiscrete函数比较ER（等速率）与SYM（对称）模型，AIC值更低者更优。

6.4 网络式演化：当树不再是“树”，而是“网”

对存在杂交、水平基因转移的类群（如植物、微生物），用PhyloNet或SplitsTree构建网络图。例如，在向日葵属中，传统树显示三个种为三叉分支，而网络图清晰显示种A与种B间存在强基因流信号——这解释了为何它们杂交后代育性高。操作精髓：用-c 100参数生成100个最大简约网络，再用共识法提取高频边。

我个人在实际操作中的体会是：系统发育树不是终点，而是你研究故事的坐标原点。它告诉你“谁和谁最近”，接下来你要问：“为什么最近？”（分子钟），“哪些基因在推动分化？”（正选择），“这个性状怎么来的？”（性状重建），“有没有‘作弊’的基因流？”（网络分析）。每一步延伸，都让那棵最初构建的树，生长出更繁茂的科学枝桠。而这一切的根基，始终是最初那句朴素的坚持：确保每一个基因都是直系同源，每一次比对都经得起推敲，每一个参数都知其所以然。