BLAST 概述与内存模型

做生物信息的人，没有谁没跟 BLAST 打过交道。但你真的了解它运行时内存是怎么炸的吗？

我第一次被 BLAST 内存溢出搞到凌晨三点，是处理一个 200G 的宏基因组数据库。任务跑了 6 个小时，最后一行报错：std::bad_alloc。从那以后，我花了不少精力去摸清 BLAST 的内存脾气。今天我们就从头梳理一下。

什么是 BLAST？

BLAST（Basic Local Alignment Search Tool）是一种序列比对算法，用来在大型数据库中快速找到与查询序列相似的片段。

它的核心思想是：对查询序列和数据库先构建“种子”k-mer 索引，然后通过种子扩展出局部比对。说白了，就是用空间换时间——建好索引之后，比对速度能快几个数量级。

常用的工具包括：

• blastn – 核酸 vs 核酸
• blastp – 蛋白质 vs 蛋白质
• blastx – 翻译后的核酸 vs 蛋白质
• tblastn – 蛋白质 vs 翻译后的核酸

每个程序对内存的需求差异很大。比如 blastx 因为需要动态翻译，中间临时数据更多，内存峰值往往比 blastn 高出一截。

运行模式

BLAST 有三种主流运行模式，每种模式下的内存行为完全不同。

模式	特点	内存压力
单机串行	一条线程，顺序处理查询	低，但数据库仍要全部载入堆内存
多线程并行	使用 -num_threads 参数	中等，线程共享数据库索引，但每个线程有自己的输出缓冲区
分布式（MPI）	使用 mpiBLAST 或 BLAST+ 集群版	每个节点只加载数据库分片，但通信会占用额外内存

我个人习惯：在单机 64G 内存以下，尽量用串行或者 2-4 线程；线程太多反而会因上下文切换和内存带宽瓶颈降低实际吞吐量。遇到超大型数据库，我建议直接上分布式方案。

内存分配基本概念

BLAST 的内存消耗主要来自以下几个部分：

• 数据库索引（核心大头） – 包括 k-mer 哈希表、位置列表、序列 ID 映射表。一个 10G 的 FASTA 库，做成索引后可能膨胀到 30-40G。
• 查询序列 buffer – 读入内存的查询序列，如果查询文件很大，这个 buffer 也会成为瓶颈。
• 种子匹配列表 – 命中索引后产生的临时 hit 记录，随查询序列长度和数据库大小呈指数增长。
• 比对扩展工作区 – 用于动态规划（Smith-Waterman）的矩阵和回溯路径。
• 输出缓存 – 格式化结果之前暂存比对记录。

曾经有个项目，用户自己构建了覆盖所有已知蛋白的数据库，索引足足 120G。服务器只有 128G 物理内存，系统没配 swap，结果 BLAST 一启动就 OOM。那次排查让我认识到：数据库索引才是“第一黑手”。

堆栈内存模型简介

不说太深，只讲跟 BLAST 直接相关的。

栈内存：存放函数调用帧、局部变量、指针。BLAST 的递归扩展、对齐评分函数调用都会消耗栈。默认栈大小一般 8MB（Linux），如果递归深度很大（比如长序列的 Smith-Waterman 回溯），很容易爆栈。我曾经在调试一个自定义评分矩阵时，就遇到了 SIGSEGV，查了半天发现是递归没有限制深度。

堆内存：所有动态分配的空间都在这。BLAST 的数据库索引、种子列表、输出 buffer 全部用 new/malloc 分配。堆的碎片化和频繁分配/释放会导致性能下降，甚至内存不足。

下面这张图可以帮你建立直观印象：