1. 课程概述

各位同学，咱们今天正式开课。先聊聊功能注释这件事。

你拿到一个陌生的基因或蛋白质序列，第一反应是什么？我猜大概是——跑个BLAST，看看它像谁。这很自然，BLAST就像生物信息学里的“瑞士军刀”，简单粗暴，谁都用过。但干了十几年这行，我得说一句：光靠BLAST，容易翻车。尤其是当你面对的是非模式生物、宏基因组数据，或者那些“看起来很靠谱但实际是假阳性”的比对结果时。

那怎么办？我的答案是：把Pfam请进来，让它们俩打配合。

1.1 为什么BLAST一个人扛不住？

BLAST的核心思路，说白了就是“找长得像的”。它比较你给我的query序列和数据库里每条序列的局部相似性。速度快，上手简单，这没得说。

但问题也出在这——它只看“长得像”，不看“是不是一家子”。

• 同源 vs. 相似：BLAST告诉你A和B有80%的相似性，但它没法保证A和B有共同的祖先（同源）。你想想看，趋同进化、低复杂度区域“假匹配”，都会让BLAST给出一个漂亮的E-value，然后把你带沟里去。
• 结构域识别短板：很多蛋白质是多结构域的。BLAST只能给你一个粗粒度的全长比对，很难说清楚“这个蛋白的哪个片段在干哪个活”。
• 敏感度天花板：对于进化距离很远的同源蛋白，序列可能已经面目全非。BLAST靠的是成对比对（pairwise alignment），在这种情况下捡出信号的能力有限。

这个坑，我踩过。所以现在，BLAST只排第一关，绝不轻信。

1.2 Pfam带来了什么？

Pfam不是看“序列像不像”，而是看“你属于哪个家族”。它维护的是蛋白质结构域和家族的多序列比对（MSA）以及对应的隐马尔可夫模型（HMM）。

用HMM来搜索，相当于拿着整个家族的“共识画像”去比对，而不是拿着某个成员的“大头照”去匹配。这带来了两个巨大的好处：

• 灵敏度高：即使序列相似度掉到20%，如果它保留了家族的保守模式，HMM仍能把它捞出来。这一点BLAST很难做到。
• 结构域级别的分辨率：Pfam告诉你“第120到300位氨基酸是一个蛋白激酶结构域，第400到500位是一个SH3结构域”。这种粒度的注释，BLAST给不了。

我个人习惯是，做功能注释之前先想清楚：我需要的是“这个蛋白像谁”（BLAST），还是“这个蛋白属于哪个家族，具备什么结构域架构”（Pfam）。

1.3 联合注释：1+1 > 2

既然BLAST和Pfam各有千秋，那把它们串起来，效果就上去了。我推荐的策略是这样的：

1. 先用BLAST快速过一遍：对query序列做BLASTP或BLASTX，拿到最初的top hit和物种分布，快速评估数据质量。这一步快，性价比高。
2. 再用Pfam精确扫描：用hmmscan（或者HMMER的phmmer）对同一条序列搜索Pfam数据库。这一步会给你结构域边界、E-value、家族ID。
3. 交叉验证：把BLAST的top hit手动比对到Pfam的结果上。如果BLAST说是“激酶”，Pfam也出“激酶结构域”，那基本稳了。如果BLAST说是“转录因子”，Pfam只匹配到一个“锌指”，那你就要警惕——可能BLAST只抓到了那个保守的DNA结合域，而全长的同源性是假的。

说白了，BLAST负责“广撒网”，Pfam负责“精确定位”。

1.4 实战实例：一条序列的注释之旅

为了让你更直观地理解，我们拿一个简单的场景来看。假设我有一条query序列，长度大概450个氨基酸。这是实际项目中遇到的一个案例。

第一步：BLASTP搜索。

$ blastp -query query.fa -db nr -out blast_out.txt -evalue 1e-5 -outfmt 6
输出摘要：
seq_id_001   95% identity  | E-value: 0.0  | 假设的环化酶 [某细菌]
seq_id_002   60% identity  | E-value: 1e-120 | 未表征蛋白 [另一细菌]
seq_id_003   30% identity  | E-value: 1e-15  | 环化酶类似物 [真核生物]

一看，top hit是“环化酶”，95%的相似性，E-value完美。很多人到这一步就停了，直接写论文“这是一个环化酶”。

我建议你别急。咱们上Pfam看看更细的：

第二步：hmmscan搜索。

$ hmmscan --domtblout pfam_out.txt Pfam-A.hmm query.fa
输出摘要：
#target name    accession  tlen  query name   accession   qlen  E-value  score  bias
Cyclase_fam     PF01234.20  350   query_seq    -           450   2.3e-50  180.2  0.0
ADH_zinc_fam    PF00107.25  140   query_seq    -           450   4.5e-12   45.1  0.1

看到了吗？这里Pfam找到了两个结构域：一个是环化酶家族（覆盖第10-350位），另一个是含锌的醇脱氢酶家族（覆盖第360-450位）。

第三步：联合解读。

BLAST只给了我一个“环化酶”的标签，因为它和那条参考序列的全长相似度足够高。但Pfam告诉我：这个蛋白是个双结构域融合蛋白，可能执行着环化反应+氧化还原反应偶联的功能。如果我只信了BLAST，就会错过它C端那个关键的氧化还原结构域。

这种“结构域重组”现象在自然界非常普遍，尤其在微生物次级代谢通路里。不联合注释，你真的会错过很多重要信息。

1.5 课程知识体系一览

好，概念铺垫到这。我们把这一章以及整个课程的核心逻辑，用一张图串起来。

这张图清晰展示了我们整个课程的脉络：从一条未知序列出发，经BLAST和Pfam双通道比对，最终汇聚到交叉验证环节，得到高质量的功能注释。后续的29章，都会围绕这个框架展开细节。

1.6 你将从这门课带走什么

这门课我们不谈虚的。每一章都会给你可执行的方法：

• BLAST怎么跑才能兼顾速度和精度？ —— 不是无脑-nr，也不是无脑-evalue 1e-5。
• Pfam数据库的HMM模型怎么选？ —— Pfam-A和Pfam-B有什么区别？什么时候用full，什么时候用seed？
• 联合策略具体怎么写脚本？ —— 我会给出现成的shell/Python流水线，你可以直接改改就用。
• 遇到冲突怎么判？ —— BLAST说是A，Pfam说是B，你听谁的？我有实战案例教你逐级排查。

嗯，大致就是这样。第一章既是开胃菜，也是定调。记住：BLAST和Pfam是互补的，不是替换的。只有把两者拧成一股绳，你的功能注释才算真的做扎实了。