2. E-value 的基本概念

2.1 E-value 的统计学定义

说实话，刚接触生物信息学那会儿，我也被 E-value 搞晕过。总觉得它跟 P-value 长得像，但又不完全一样。后来做了几年比对工具的开发，才真正理解它的含义。

E-value（期望值，Expectation value），简单的定义是这样的：

翻译成人话就是：你把一条查询序列拿去跟数据库做比对，得到一个匹配。E-value 告诉你，如果把这条序列跟一个「完全随机」的、同样大小的数据库做比对，纯靠运气出现同样好甚至更好的匹配，预期会有多少次。

这个定义里藏着两个关键点：

• 随机背景模型：它假设数据库序列是随机产生的，没有生物学意义。
• 期望次数：它是一个「期望值」，不是概率，不是百分比，是次数。

我在项目中遇到过有人把 E-value 当百分比用，说「E-value 是 0.05 就是 5% 的概率」——错！0.05 的意思是，在随机情况下，你预期看到 0.05 个这样的匹配。换算成概率，大约 5% 的可能性出现至少一个匹配。嗯，这俩东西确实容易混淆，我们下面仔细讲。

BLAST 的 E-value 计算公式长这样：

E = K * m * n * e^(-λ * S)

各参数含义：

• K：一个与搜索空间大小相关的缩放常数。
• m：查询序列的长度（有效长度）。
• n：数据库序列的总有效长度。
• λ：一个与替换矩阵相关的缩放参数。
• S：比对的原始得分（raw score）。

这个公式其实来自于 极值分布（Extreme Value Distribution, EVD）。比对得分不服从正态分布，它更像 Gumbel 分布。我刚开始做这块时总拿正态分布去套，结果怎么算都不对。

为什么会这样？因为 BLAST 做的是「最大值挑选」——它从大量随机比对中挑出得分最高的。这个过程天然服从极值分布，不是你熟悉的钟形曲线。

2.2 E-value 与 P-value 的关系

E-value 与 P-value 核心对比

维度	E-value	P-value
定义	随机情况下预期出现的匹配次数	随机情况下出现至少一个匹配的概率
取值范围	0 到数据库大小（正实数）	0 到 1
典型阈值	10、1、0.01、1e-5	0.05、0.01、0.001
小值含义	几乎不可能出现随机匹配	小概率事件，拒绝随机假设
易用性	直觉上更直观（次数）	统计上更标准

这两个值之间的关系，可以用一个公式来搞定：

P-value = 1 - e^(-E-value)

当 E-value 很小时（比如小于 0.01），近似为：

P-value ≈ E-value

说白了，当你的 E-value 足够小，它和 P-value 几乎一样。我经常看到新手纠结「到底用 E 还是用 P」，其实在大部分实战场景中，你会发现它们的区别并不大。但两个场景你要注意：

1. E-value 接近 1 或更大：此时不能再近似了。E 为 1 对应 P 约 0.632，E 为 5 对应 P 约 0.993。差别很明显。
2. 数据库非常大时：E-value 会随数据库大小线性增长，P-value 则不是。你搜索一个 1G 数据库和 10G 数据库，相同得分的 P-value 几乎相同，但 E-value 会差 10 倍。

我的经验：在发表论文或提交报告时，我更推荐直接报告 E-value。原因很简单——你跑 BLAST，结果列表里默认给的就是 E-value，不用额外换算。记住，审稿人通常会问「你的 E-value 阈值是多少」，少有人问「P-value 阈值是多少」。

2.3 一张图看清 E-value 的核心逻辑

下面这张图总结了 E-value 的统计基础、与 P-value 的关系以及实际应用时的关键点：

2.4 实战中怎么用这些知识？

知道了 E-value 的定义和它与 P-value 的关系，在日常操作中你需要记住几点：

设置阈值前，先考虑：

• 你的数据库有多大？ 小数据库（几千条序列）可以设紧一点，比如 1e-5。大数据库（百万级）要设松一些，比如 10 甚至 100。
• 你要找什么？ 找高度保守的直系同源？设紧。找远缘同源或结构域？设松。
• 你能否承受假阳性？ 临床诊断或功能注释，宁可漏不可错，设紧。探索性分析，宁可错不可漏，设松。

这些内容后面的章节会展开，但你现在至少明白了：E-value 不是你直觉中的「出错概率」，而是一个受数据库大小、替换矩阵和序列长度影响的期望次数。理解了这一点，后续所有阈值设置才有了理论基础。