第1章 课程导论：基因组注释与BLAST概述
什么是基因组注释
说白了，基因组注释就是给一条DNA序列贴上“功能标签”。
你拿到一条染色体序列，里面全是ATCG。这些字母串代表什么？哪个区域是基因？哪个区域调控表达？哪个区域是垃圾序列？你的答案就是基因组注释。
我记得在参与第一个基因组项目时，导师丢给我一个FASTA文件，说“把它注释了”。我当时愣了半天——这玩意儿怎么下手？后来才明白，注释不是一次性工作，而是一套完整流程，包括：
- 重复序列屏蔽——把转座子、简单重复标记出来
- 基因预测——找编码蛋白质的基因结构（外显子、内含子、UTR）
- 功能注释——给预测出来的蛋白质打上功能描述标签
- 非编码RNA注释——找tRNA、rRNA、miRNA等
- 多组学整合——结合转录组、表观组数据优化注释
每个步骤都离不开比对工具。而BLAST，正是这里面最核心的引擎。
BLAST是什么
BLAST全称是Basic Local Alignment Search Tool。它就是用来回答一个问题的：我的序列在别人的数据库里有没有亲戚？
为什么强调“局部比对”？因为BLAST不要求整条序列都能对齐。它只找那些局部得分高的片段。我见过很多人误以为BLAST是做全局比对的——其实不是。如果你要做全基因组对齐，应该用MUMmer或Minimap2。BLAST的目标是快速找到相似区域，然后评估这个相似性是不是够靠谱。
BLAST的核心搜索策略，我习惯用这个方式理解：
- 种子生成：把查询序列拆成小段（通常是三核苷酸或长度k的短串），丢进索引里找匹配
- 延伸：找到种子匹配后，向两侧延伸，看能不能形成一个高分段对（HSP）
- 打分回溯：用动态规划算法给延伸区域打分，找出最优局部比对
- 统计显著性评估：算一个E-value，告诉你这个比对结果是不是可信
一点个人经验：我建议你至少记住这个搜索策略的四个步骤。因为后面调试Pipeline时，95%的性能问题都出在“种子生成”这个环节——你的种子太大，灵敏度不够；种子太小，跑得慢。
BLAST的同源搜索与功能预测
你想想看，一个未知基因怎么猜功能？最直接的方法就是去已知数据库里找同源序列。BLAST干的就是这件事。
我举个例子。假设你从某个菌的基因组里预测出一个蛋白质序列，你不知道它是干啥的。把它拿去做BLASTP比对，发现和已知的“ATP结合盒转运蛋白”有80%的相似性、E-value是1e-150。那么有很大把握说：这个基因也负责转运功能。
这里面有几个关键概念你要弄明白：
| 概念 | 含义 | 我的理解 |
|---|---|---|
| 序列相似性 | 两条序列在残基水平上相同的比例 | 数值层面的直接比较 |
| 同源性 | 两条序列来源于共同祖先 | 这是推断，不是算出来的 |
| E-value | 预期随机出现相同比对结果的次数 | 越小越可信，E-value=0不存在的（数值极小但不会为0） |
| 位元分数 | 标准化后的比对得分 | 用于跨数据库比较，比原始得分稳定 |
我曾经因为E-value设得太宽松（设成10），结果跑出来一堆假阳性——全是基于几个残基的微弱相似性。后来养成的习惯是：先设1e-5跑一遍，再根据结果调整。
基因组注释Pipeline的模块组成
一个完整的BLAST注释Pipeline，说白了就是把上面那些步骤串起来。我见过很多Pipeline，骨干结构都差不多：
- 输入模块：读基因组，做质量控制（低复杂度、载体污染）
- 重复序列模块：用RepeatMasker、RepeatModeler或BLAST自建重复库
- 同源预测模块：用BLASTX/BLASTP比对到已知蛋白库
- 从头预测模块：用Augustus、Glimmer、GeneMark做ab initio预测
- 整合优化模块：将证据融合成最终基因模型
- 功能注释模块：最终验证并给出功能描述
- 输出模块：生成GFF、GBK、TAB格式的注释文件
我把这个结构画成了一张流程图。嗯，这张图里你可以看到各个模块是如何串联的：
BLAST在Pipeline中的核心地位
很多人问我：现在有这么多新工具，为什么还要学BLAST？我的回答是：BLASt 仍然是基因组注释 Pipeline 的“地基”。
具体来说，BLAST在这几个环节里无可替代：
- 同源预测：BLASTX把转录本比对到蛋白库，BLASTP把预测蛋 白比对到已知库——这是最直接的功能确认手段
- 数据库构建：用makeblastdb为自定义库建索引，是整合私有数据的标准方式
- 多库整合：UniProt、NR、PFAM、Rfam……这些公共库的比对结果，最后都要通过BLAST的输出格式归到一个统一的证据模型里
- 假基因检测：用BLAST找到完整基因的同源片段，靠移码突变和提前终止判断是否失活——我经常这么干
我建议你把这个框架印在脑子里：Pipeline = 数据流 + 比对引擎 + 规则引擎。BLAST就是那个比对引擎。
BLAST与其他比对工具的关系
不是所有比对场景都用BLAST。我整理了一张对比表：
| 工具 | 适用场景 | 速度 | 敏感度 |
|---|---|---|---|
| BLAST | 同源搜索、功能注释、小规模比对 | 中等 | 高 |
| DIAMOND | 大规模宏基因组、蛋白库比对 | 快 | 高 |
| MMseqs2 | 极致大库聚类、搜索 | 最快 | 较高 |
| Minimap2 | 长读长比对、全基因组比对 | 快 | 中等 |
| HMMER | 蛋白家族识别、结构域搜索 | 慢 | 更高 |
实战建议：如果你的Pipeline需要每天跑几十万条序列，我建议你用DIAMOND。如果你要构建一个自动化注释流程，先拿BLAST搭原型，再逐步替换——BLAST的输出格式最规整，脚本好写。
为什么选择BLAST构建Pipeline
你可能会问：这么多工具，选BLAST的理由是什么？
我说三点：
- 生态成熟：BLAST用了几十年，周边工具、库、文档、社区支持都最完善。你踩过坑别人基本都踩过了。
- 输出规范：-outfmt 6/7有严格的列定义，解析脚本写起来很简单。其他工具的输出格式经常改。
- 可控性强：BLAST的参数体系非常精细。你想调敏感度、调打分矩阵、调缺口罚分，都能精确控制。
我刚开始做Pipeline时，也图新鲜用过一些新工具。后来发现，团队协作里大家最认的还是BLAST的输出格式。格式统一，后续分析才能串联起来。嗯，从工程角度看，这就是性价比最高的选择。