1. BLAST简介：从序列比对到启发式搜索

大家好，我是这门课的主讲。今天我们先聊一个基础话题——BLAST。说白了，它就是生物信息学里最常用的“搜索引擎”。你想在几百万条序列里找相似的？用它就对了。

我先说说我的经历。十年前我第一次做基因组注释，面对一堆未知的DNA序列，心里是发懵的。那时候我导师甩给我一句话：“去跑个BLAST。” 好，那我就跑。结果一跑就是三天三夜。为什么？数据量大，算法也没调优。嗯，今天咱们就把这事儿聊透。

1.1 序列比对到底在比什么？

序列比对，核心就一件事：找相似。

你想想看，生物序列不是乱码。DNA由A、T、C、G组成，蛋白质由20种氨基酸组成。两段序列如果长得像，大概率在功能或进化上有关系。这就是比对的生物学基础。

比对有两种常见模式：

• 全局比对（Global Alignment）：从头到尾完整对齐。代表作是Needleman-Wunsch算法。
• 局部比对（Local Alignment）：只找最相似的片段。代表作是Smith-Waterman算法。

BLAST属于后者。它不傻乎乎地比全长，而是找局部高相似区段。这样效率高得多。

1.2 BLAST算法的核心思路：启发式搜索

这里我得解释一下，为什么BLAST能跑那么快。

经典的Smith-Waterman算法时间复杂度是O(mn)。m和n是两条序列的长度。如果每条序列1000bp，计算量就是一百万次。听起来还好？但如果你的数据库有十亿条序列……完蛋，计算量是天文数字。

BLAST采取了一种“取巧”的策略——启发式搜索。它不做全量计算，而是分三步走：

1. 分割查询序列：把长序列切成短片段（通常3-11个字符）。这些片段叫“种子”（seed）。
2. 在数据库中找匹配的种子：用哈希表或索引快速定位。这个环节是O(1)的。
3. 将匹配的种子向两边延伸：一旦找到匹配，就尝试向左右扩展，直到相似度低于某个阈值。

你发现了吗？BLAST把“全量比对”转换成了“索引查找+局部延伸”。数据库索引一建，查询序列一切，效率立刻起飞。

我早些年在做宏基因组物种注释时，就是靠这套逻辑把运行时间从一个星期压缩到了6小时。嗯，这里要注意：种子长度选错了，会影响灵敏度。

1.3 BLAST算法流程图

下面这张图我亲手画的，展示了BLAST的核心流程。你跟着走一遍就明白了。

1.4 BLAST家族：选对工具很重要

BLAST不是单一的软件，而是一个“家族”。你看名字后缀就知道区别。

我举个例子你就懂了。如果你拿到一段未知的DNA序列，想看看它编码什么蛋白质，用blastx。它会把你的DNA按6种阅读框翻译成蛋白质，再去蛋白库比对。曾有次我在一个细菌基因组里发现一段序列总比对不上，用blastx一查，结果是个新发现的噬菌体整合酶。嗯，这种场景blastn是做不到的。

1.5 BLAST的运行参数：你未必都见过

很多新手跑BLAST就用默认参数。但默认参数是“通用版”，不是“最佳版”。

下面这几个参数，我建议你牢牢记住：

• -evalue：期望值阈值。越小越严格。默认10，我通常用1e-5或更严格。
• -word_size：种子长度。blastn默认11，缩短到7可以提高灵敏度，但会慢很多。
• -num_threads：CPU线程数。很多人忘了设，结果只占了一颗核。
• -outfmt：输出格式。我喜欢6（tabular格式），方便后续处理。

1.6 一个简单的BLAST命令

我展示一条最常用的命令。你以后90%的场景都在用它：

blastn -query my_sequence.fasta \
       -db nt \
       -out result.txt \
       -outfmt 6 \
       -evalue 1e-5 \
       -num_threads 8 \
       -max_target_seqs 10

这条命令的含义：用我的DNA序列去NT库（核酸数据库）里搜，输出10条最相似的结果，每个结果只保留一条最优比对。8个线程并行跑，evalue要求1e-5以上才算有意义。

1.7 为什么BLAST需要GPU集群？

到这里你可能要问了：单机跑BLAST有什么问题？

问题大了。你想想：

• 一个典型的metagenomics数据集有1亿条序列。
• NT数据库已经膨胀到200GB以上。
• 即使你用32核服务器跑blastn，一条序列平均耗时0.5秒。
• 1亿条 × 0.5秒 ≈ 1.6年。

1.6年。

你等得起吗？我等不起。所以我们必须上GPU集群。把查询序列拆成小块，分发到GPU上并行跑BLAST。这才是我们这门课要讲的核心。