1. 课程介绍
这门课讲的是人源基因组注释和BLAST的实战。说实话，我最早接触这块的时候，觉得就是个跑跑数据库的活。后来在项目中踩了不少坑才发现，这里头门道很多。你想想看，人类基因组有30亿个碱基对，你拿条未知序列往里一扔，BLAST能给出一堆匹配结果——怎么选？怎么用？这就是我们要解决的事。
基因组注释到底在做什么？
基因组注释，说白了就是给DNA序列贴上功能标签。哪个区域是基因，哪个是调控元件，哪里有重复序列，一一标出来。我参与过一个项目，拿新测序的人源样本做注释，一开始没注意基因结构预测的准确性，结果后续的变异分析全跑偏了。嗯，从那以后我养成了一个习惯——拿到注释文件先做一轮质控。
人源基因组的注释流程大致分三步：
- 重复序列屏蔽——先标记出转座子、简单重复等，不然BLAST时会收到大量假阳性。
- 基因结构预测——靠同源比对、从头预测、转录组证据结合起来定外显子和UTR。
- 功能注释——把预测的蛋白序列拿去比对已知数据库，注解GO、通路、疾病关联。
我个人习惯用Ensembl或GENCODE的官方注释作为参考基准。但官方注释也不是百分百对。我在处理某个罕见病样本时，就发现一个外显子边界在公开注释里标错了，还是靠手动比对纠正回来的。
BLAST——序列比对的老牌工具
BLAST（Basic Local Alignment Search Tool）是序列比对领域的瑞士军刀。它的核心思想很简单：把你的查序序列切成小片段，先在数据库里快速找种子匹配，再延伸出高分的局部比对。为什么快？因为用了启发式算法，不是穷举。
常用的BLAST变体：
| 变体 | 比对对象 | 典型用途 |
|---|---|---|
| blastn | 核酸 vs 核酸 | 查找同源基因、鉴定物种 |
| blastp | 蛋白 vs 蛋白 | 功能注释、结构域搜索 |
| blastx | 核酸翻译 vs 蛋白 | 新序列的功能预测 |
| tblastn | 蛋白 vs 核酸翻译 | 找基因组中的同源蛋白 |
我曾经花了一个通宵调blastn的参数，就因为默认的word size太大，导致低复杂度区域的假阴性太多。后来改用-word_size 7，效果立竿见影。所以建议你一开始就跑几个参数组合试试，别上来就全默认。
提示：BLAST对输入序列的碱基质量很敏感。我习惯在比对前先用Trimmomatic或fastp做一次质量过滤，能省一半的假匹配。
BLAST在人源基因组注释里的角色
你可能会问：现在都有成熟的注释管道了，干嘛还要学BLAST？我自己的经验是——当你遇到非编码RNA、新转录本、或者跨物种比较的时候，BLAST依然是无法替代的底层工具。举个例子，我在分析一个长链非编码RNA时，官方注释里没有它的功能信息，我就用blastx把它翻译后去比对UniProt，找到了一个保守的短开放阅读框，后续验证发现确实编码一个小肽。
整个注释流程中BLAST出现的地方：
- 同源预测：把其他物种已注释的蛋白序列用BLAT或tblastn映射到人源基因组
- 功能注释：用blastp把预测的蛋白序列比对到Swiss-Prot、nr、GO等数据库
- 重复序列识别：用blastn配合RepeatMasker去屏蔽重复区域
- 新基因鉴定：对RNA-seq组装的转录本用blastx搜索已知同源物
警告：不要迷信BLAST的E-value。E-value只反映随机匹配的概率，不直接表示生物学意义。我在一次项目里把一个E=1e-5的匹配当成同源基因，结果验证后才发现是假阳性——那是结构域低复杂度的假象。
知识体系总览
这一章的核心就是帮你建立“基因组注释 + BLAST”的全局视野。下面这张图把课程涉及的主题串了起来，你可以先看个大概，后续每章都会逐个深入。
你看这张图，左上角的“重复屏蔽”到“人工审核”是一条完整的注释管道，右侧是BLAST的几种变体以及数据库和结果处理。中间那句话是重点——BLAST不只是一个独立的工具，它像胶水一样把整个注释流程粘起来了。这个框架会贯穿我们后面的每一章。
第一个实战：跑一次最简单的BLAST
先别急着装软件。我们看一个最基础的blastn命令长什么样。假设你有一条未知的cDNA序列，想看看它在人源基因组上的位置。
# 使用 NCBI BLAST+ 2.14.0
# 先建立索引（只需要做一次）
makeblastdb -in human_genome.fa -dbtype nucl -out human_db
# 进行比对
blastn -db human_db -query my_sequence.fa -out results.txt -outfmt 6-outfmt 6 是表格输出格式，包含查询ID、目标ID、相似度、比对长度、E-value等。我刚开始总是忘记加 -num_threads，后来发现多线程能快3-4倍。这是我常用的完整参数：
blastn -db human_db -query my_sequence.fa \
-out results.txt -outfmt "6 qseqid sseqid pident length mismatch gapopen evalue bitscore" \
-num_threads 8 -evalue 1e-5 -word_size 11强烈建议：把输出格式选成自定义列，比默认的15列更清爽。我一般只保留6-8个核心字段，避免看表时眼花。
好了，这一章我们建立了整体认知——基因组注释不是只有BLAST，但BLAST是绕不开的核武器。接下来的课程会逐层剥开每个环节的细节。你手里如果有条未知序列，别犹豫，直接用上面的命令试试看。嗯，这就是一个很好的上手方式。