📚 课程目录第4章 BLAST数据库

BLAST数据库：NCBI数据库，下载与构建本地数据库

做序列比对，数据库是弹药。没有合适的数据库，参数调得再漂亮也白搭。NCBI 提供了大量公开数据库，但线上查询偶尔会慢得让人抓狂——我个人就遇到过高峰期提交任务后排队半小时。

所以我习惯在本地搭一个库。你想想看，本地库随调随用，批量分析不受限，还能自己组合冗余版本。这一章我把下载和构建的方法整理出来，都是我踩过坑后的总结。

NCBI 有哪些常用数据库？

说起 NCBI 的 BLAST 数据库，最常用的就是这几个：

数据库名	全称	典型用途	大小（约）
nr	Non-redundant protein	通用蛋白比对	~150 GB
nt	Non-redundant nucleotide	通用核酸比对	~100 GB
refseq_protein	RefSeq protein	可靠参考蛋白集	~30 GB
refseq_rna	RefSeq RNA	转录本比对	~40 GB
swissprot	UniProt Swiss-Prot	高质量手工注释蛋白	~5 GB

我刚开始做宏基因组时，直接用 nr 库跑 blastx，结果一次查询要两小时。后来换成 swissprot 做初步筛选，再用 nr 做第二轮，速度提升了 5 倍。选对库比调参数更有效。

下载数据库的两种方式

方式一：update_blastdb.pl 脚本（推荐）

这个 Perl 脚本能从 NCBI 自动下载并校验数据库。我第一次用的时候没加 --decompress 参数，结果下载了一堆 .tar.gz 还得自己一个个解压。

# 搜索可用数据库列表
update_blastdb.pl --showall

# 下载 nr 数据库（自动解压）
update_blastdb.pl --decompress --num_threads 4 nr

# 下载 nt 数据库并保留压缩文件
update_blastdb.pl --decompress nt

方式二：直接 wget / curl

如果脚本依赖的 Perl 模块不全，我会直接去 FTP 拉。NCBI 的 blastdb 目录下预置了索引文件，解压就能用。

# 下载 refseq_rna 的 .tar.gz 文件
wget -c ftp://ftp.ncbi.nlm.nih.gov/blast/db/refseq_rna*.tar.gz

# 解压到本地目录
tar -xzf refseq_rna.XX.tar.gz -C /path/to/blastdb/

坑点提醒： 曾经我一次性下载了 5 个大型数据库，结果磁盘空间爆了。务必先估算大小：使用 curl -sI ftp://... | grep -i content-length 获取文件大小。

本地构建 BLAST 数据库（makeblastdb）

如果你手头有自己的 FASTA 序列文件（比如基因组组装结果、转录组拼接），就需要用 makeblastdb 建索引。这是 BLAST+ 自带工具，标准命令如下：

核酸数据库（blastn 用）

makeblastdb -in my_genome.fasta \
            -dbtype nucl \
            -parse_seqids \
            -out my_genome_db

蛋白数据库（blastp / blastx 用）

makeblastdb -in my_proteins.faa \
            -dbtype prot \
            -parse_seqids \
            -out my_protein_db

-parse_seqids 参数我几乎每次都会加——它会将 FASTA 标题中的序列 ID 解析出来，方便后续用 blastdbcmd 提取和验证。

实战建议：对于大文件，加 -max_file_sz 4GB 让数据库分卷，避免单文件过大导致 I/O 瓶颈。

数据库管理与验证

建完库后，我喜欢用这几个命令做一次“体检”：

# 查看数据库基本统计信息
blastdbcmd -db my_genome_db -info

# 提取某条序列测试
blastdbcmd -db my_genome_db -entry gi|12345

# 列出所有序列 ID
blastdbcmd -db my_genome_db -list

-info 输出里会显示序列总数、总长度、以及是否使用 -parse_seqids。如果忘记加这个参数，-entry 和 -list 就用不了。

更新与维护

NCBI 的数据库每周都会更新。我写了个 cron 任务自动拉取增量包：

# 每周一凌晨3点更新 nr 库
0 3 * * 1 cd /data/blast && update_blastdb.pl --decompress --num_threads 8 nr

注意：更新时旧索引文件会被覆盖，但不会自动清理历史版本。磁盘空间紧张的话，最好在脚本末尾加一行 rm -f nr.*.tar.gz。

我个人习惯在多个本地库之间用符号链接来管理默认路径：

ln -s /data/blast/nr /blastdb/nr
export BLASTDB=/blastdb

这样 blastn 时不用每次都指定 -db 的全路径，BLAST 会自动去 $BLASTDB 下查找。

数据库选择速查表

查询类型	推荐数据库	原因
鉴定未知核酸序列	nt	包含 GenBank+ EMBL+DDBJ，覆盖面广
鉴定未知蛋白序列	nr 或 swissprot	nr 冗余但全，swissprot 准
比对到模式物种	refseq_rna / refseq_protein	非冗余且经过审核
小数据量快速测试	swissprot / uniprot_sprot	体积小，几十秒出结果
宏基因组短 reads 分析	refseq_protein（构建为 diamond 库）	结合 DIAMOND 更快

说回到参数调优——数据库选错了，后面全白费。我见过有人用 nr 库做 microbiome 的 16S 比对，结果全是真核生物 hits，因为 nr 里包含太多真核序列。后来换成 16S_ribosomal_RNA 专用库才得到正确结果。

好了，数据库到手，下一步就该调 blast 核心参数了。不过那不是本章的内容，我们下次再聊。