BLAST概述与基本原理

咱们做生信分析的，几乎每天都得跟序列比对打交道。BLAST这玩意儿，说它是"镇宅之宝"也不为过。我刚入行那会儿，导师扔给我一条未知序列，第一句话就是"先BLAST一下看看"。

今天这第一章，咱们就把BLAST的底细摸清楚。从它怎么来的，到它凭什么跑得那么快，再到大家拿它干什么。

BLAST发展历程

90年代初，分子生物学开始爆发。每天都有人测出新序列，大家最想知道的就是："我这新玩意跟已知的像不像？"

那时候有个工具叫FASTA，跑一趟得等半天。我最初做硕士课题时，用FASTA比一条1kb的序列，等结果出来我泡的咖啡都凉了。后来NCBI搞出了BLAST，我第一次用它的时候，说实话，被速度惊到了——同样一条序列，它只需要几十秒。

BLAST的版本迭代，我列了个简表：

时间	版本/事件	关键改进
1990	原版BLAST	提出种子-延伸思想，速度碾压FASTA
1997	Gapped BLAST	允许空位(gap)，灵敏度大幅提升
1999	PSI-BLAST	用profile迭代搜索，能找远缘同源
2009	BLAST+	重构命令行接口，模块化，性能再优化
至今	持续升级	支持更长读长、更快索引、云端部署

这里有个常见误解——很多人以为BLAST只有NCBI那一套。其实现在BLAST+已经是独立的一套工具集了，它的blastn、blastp这些核心工具，比老版本的blastall稳定得多。我个人强烈建议：还用老版本接口的，赶紧切过来。

核心算法思想

BLAST为什么快？说白了，它用了一个"先找草稿，再画细节"的思路。

完整的动态规划比对（比如Smith-Waterman算法）就像把每一块砖都对齐，虽然准但慢得要命。BLAST做了个聪明的事——它先找那些"长得特别像"的短片段（种子词），有了这些锚点，再在周围做精确对齐。

核心流程就三步：

1. 构建词表：把查询序列切成很多k-mer短片段，比如设定word size为3，那就切出所有长度为3的短词。
2. 扫描数据库：用这些短词快速匹配数据库的索引，找到所有命中的位置。这一步会建立一个"热区"列表。
3. 延伸与评估：在每个热区附近，进行banded延伸，然后打出一个有gap或没有gap的比对结果。最后用统计显著性（E-value）给出报告。

这种"先粗筛、再精对"的策略，为什么能省时间？你想想看：数据库里99.9%的位置其实根本不用仔细比对。我先用几个字母的小标签把它们排除掉，只对那小部分候选区下功夫，速度自然就上来了。

上图就是BLAST的核心逻辑。我习惯把这个流程叫作"锚点延伸模型"。现在很多生信流程，从短读比对到长读纠错，实际上都在借鉴这个思路。

主要应用场景

BLAST能做的事情比大多数人想象的多。我大致分成三类场景：

• 同源序列搜索：这是最本分的用法。拿到新序列，去nr库、refseq库或UniProt库里扫一遍，看看有没有已知的同源基因。比如临床诊断中发现了一个新的耐药基因突变体，BLAST一下就知道它跟已知的那种耐药基因亲缘关系最近。
• 功能注释：基因组注释流程里，BLAST常常扮演"找亲戚"的角色。BLASTP比对能告诉你某个未知蛋白可能是什么酶。我曾帮一个做植物转录组的课题组跑过全转录本的BLASTX注释，一张表下来，11万个转录本的功能立马清晰了。
• 引物与探针设计：设计出的引物是否有非特异性结合位点？把引物序列拿去做BLASTN，挑那些只唯一匹配目标物种的引物，成功率会高很多。我吃过亏——有一次直接用引物BLAST整个人类基因组，结果发现它跟一条假基因有3个错配，最后扩增产物全是乱的。
• 宏基因组比较：把宏基因组组装出来的contig去做BLASTX比对整个nr库，这是目前最常用的物种分类和功能代谢通路鉴定方法。速度快，结果直观。

BLAST的扩展应用还很多。比如，BLASTZ可以用来做整个基因组的对比比对，而TBLASTN可以用蛋白序列搜核酸数据库，反过来找新基因。后来很多新工具都"长在"BLAST的骨架上，像用BLAST比对做变异检测的BLAT、用BLAST做同源映射的SWIPE等。

但需要注意的是，BLAST不是万能药。它依赖数据库的完整性和质量。如果你搜的物种在数据库中根本没有近缘种的信息，BLAST结果会很难看。

我记得有一次演示课，一个学生用一条海洋微生物的16S序列BLAST出来结果全是"Uncultured bacterium"。他问我是不是跑错了。我说不是，那是因为公共数据库里根本没有这条序列近缘种的正式名称。不过，在大多数有参考数据的场景下，BLAST的表现仍然足够稳定、足够快。

在后面的章节里，咱们会逐步深入每个参数的含义，以及怎么根据你手里的数据和想达到的目标，精细化配置BLAST的运行参数。那些坑，我会一个一个带着你们绕过去。