📚 课程目录第2章 NCBI BLAST工具介绍

2. NCBI BLAST工具介绍：命令行BLAST、BLAST+新特性、常用参数

说到BLAST，这玩意儿在生信领域算得上是“老黄牛”了。从90年代初诞生到现在，几乎每个做序列比对的同行都跟它打过交道。我自己从硕士阶段就开始用，那时候还是经典的 blastall 命令行。后来NCBI推出了BLAST+，我一开始还不太适应，但用顺手之后，真香。

这一节我们就来聊聊BLAST工具本身。说白了，你得先把“武器”弄明白，后面讲GPU加速才有意义。

2.1 BLAST的历史与演变

可能有人觉得“BLAST不就是一个比对工具吗？”嗯，其实这里面有几个版本的变化，值得了解一下。

版本	核心命令	特点	我个人怎么看
传统BLAST	`blastall`, `formatdb`	功能集成在单个程序里，靠参数切换	当年用起来挺方便的，但代码维护是个噩梦
BLAST+	`blastn`, `blastp`, `makeblastdb`	程序拆分、模块化、支持多线程	我建议新手直接学BLAST+，别走弯路

提示： 虽然老版本的 blastall 在一些老服务器上还能见到，但NCBI早就停止维护了。我见过的坑是：有人用conda安装时没注意版本，装了个legacy blast，跑出来的结果格式跟预期不一样。排查了半天才发现是工具版本问题。

2.2 BLAST+新特性

BLAST+相比老版本，改动还挺大的。我挑几个最关键的说说。

2.2.1 模块化设计

老版本一个 blastall 扛所有活，参数多得能写两页。BLAST+ 直接拆成了多个独立程序：

blastn —— 核酸vs核酸
blastp —— 蛋白vs蛋白
blastx —— 核酸翻译后vs蛋白
tblastn —— 蛋白vs核酸翻译库
tblastx —— 核酸翻译vs核酸翻译

你想想看，这样做的好处是什么？每个程序只做一件事，参数更清晰，出问题也好定位。我在搭建自动化流程时，用 blastn 和 blastp 分别处理不同任务，脚本写起来舒服多了。

2.2.2 数据库构建命令统一

老版本用 formatdb，BLAST+ 换成了 makeblastdb。用法基本一致，但多了几个实用选项：

makeblastdb -in my_sequences.fasta -dbtype nucl -out my_db -parse_seqids

注意： -parse_seqids 这个参数建议加上。我遇到过客户拿来的数据库没加这个选项，后面做 blastdbcmd 按序列ID提取子序列时直接报错。加了也就多几秒建库时间，别省。

2.2.3 多线程支持

老版本的BLAST是单线程的，一个比对任务只能用一个CPU核心。BLAST+ 引入了 -num_threads 参数，可以并行加速。这在服务器上特别管用。

blastn -db nt -query reads.fasta -out results.txt -num_threads 8

嗯，这里要注意：多线程加速不是线性的。我记得测过一次，8线程大概比单线程快4-5倍，再往上加核收益就逐渐变平了。不过这已经是很大的改进了。

2.3 常用参数详解

BLAST+ 的参数很多，但真正日常高频使用的也就那么十几个。我挑几个最容易踩坑的讲。

2.3.1 -evalue（期望阈值）

这个参数控制比对的“严格程度”。evalue 越小，结果越严格。默认值通常是10，但说实话，10这个值真的很宽松。我处理宏基因组数据的时候，默认10能打出几十万个结果，里面一堆假阳性。

场景	推荐evalue	说明
寻找近缘同源	1e-5 到 1e-10	严格，减少假阳性
远缘同源检测	1e-2 到 10	宽松，但小心错误匹配
短序列比对（如引物）	100 到 1000	短序列本身统计显著性低，需要放宽

  经验： 我曾经在分析RNA-seq数据时，直接用默认evalue 10跑blastn，结果把细菌污染序列也当成“显著比对”输出了一大堆。后来把evalue降到1e-5，干净多了。如果你不确定，先从1e-5开始试，再根据结果调整。

2.3.2 -word_size

这个词大小参数决定了BLAST用来“锚定”比对的种子长度。蛋白质比对默认是3，核酸比对默认是11（BLAST+默认是28，但这取决于程序）。

为什么这个参数重要？word_size 越小，越能找到短而弱的匹配，但计算量会暴增。我试过把核酸比对的word_size从28降到11，运行时间直接翻了5倍。

# 较快的设置（默认）
blastn -db nt -query seq.fa -word_size 28

# 敏感但更慢的设置
blastn -db nt -query seq.fa -word_size 11

小技巧： 如果你在做跨物种的远源比对，可以适当降低word_size提高灵敏度。但如果只是比对高度同源的序列，保持默认值就好，别自己找麻烦。

2.3.3 其他常用参数一览

参数	作用	我常用的默认值
`-outfmt`	输出格式，常用6（表格）或10（CSV）	6
`-max_target_seqs`	每个query最多返回的匹配数	20
`-perc_identity`	最低序列一致性	90（同物种）；70（跨物种）
`-culling_limit`	限制每个subject的hit数量	1

2.4 命令行比对示例

聊了这么多理论，咱们上手跑个实际的例子。假设你有一个包含几千条16S rRNA序列的fasta文件，想跟NCBI的16S数据库比对：

# 第一步：建库（假设你已经下载了16S数据库）
makeblastdb -in 16S_ribosomal_RNA.fasta -dbtype nucl -out 16S_db -parse_seqids

# 第二步：比对
blastn -db 16S_db -query unknown_bacteria.fasta \
       -out results.txt \
       -outfmt 6 \
       -evalue 1e-5 \
       -word_size 28 \
       -num_threads 8 \
       -max_target_seqs 5

  我个人的习惯： 每次做完比对，先别急着往下分析。看一眼 results.txt 里有多少条“0 evalue”的匹配，以及那些evalue刚好在边界上的结果。如果边界附近结果特别多，说明你的evalue设置可能太松了。我曾经有一次就是没看这一步，直接进了下游分析，结果发现很多低质量匹配把结果搞乱了。

2.5 避坑指南：你可能会遇到的情况

这些是我自己在不同项目里踩过的坑，写出来希望你能绕开：

数据库版本不一致： 新旧版BLAST的数据库格式不兼容。你用BLAST+建了库，就不能用旧版本的blastall来读。反之亦然。
内存不足： 大型数据库（比如nt）建库时需要大量内存。我曾经在只有8GB内存的机器上建nt库，直接OOM（内存溢出）了。可以用 -max_file_sz 限制输入文件大小，或者换台内存更大的机器。
输出格式混淆： -outfmt 0 是默认的对齐视图（含文字描述），看起来清晰但解析麻烦。做自动化流程时，我99%的情况都用 -outfmt 6 或 10，方便用脚本处理。
参数命名变化： 老版本 -p 指定程序类型，新版本直接用不同命令名。写教程或脚本时注意区分。

好了，BLAST工具本身就说这么多。记住：工具是死的人是活的。参数调优这事儿，说白了就是经验活。多跑几次，多看看结果，你自然就知道怎么调了。