📚 课程目录第2章 BLAST使用方法

2. BLAST使用方法：命令行操作、参数详解、输入输出格式、本地BLAST安装与配置

BLAST 这东西，说白了就是序列比对领域的瑞士军刀。我刚开始搞生信的时候，总觉得它就是个黑盒子——扔一条序列进去，出来一堆结果，也不知道中间发生了什么。后来在 GPU 集群上调 BLAST 任务，才真正摸透了它的脾气。这一章，我就把本地 BLAST 的安装、参数、输入输出这些基础操作，掰开揉碎了讲一遍。

2.1 本地 BLAST 安装与配置

NCBI BLAST+ 是目前最主流的本地版。我个人习惯用 conda 装，干净省事。当然，你也可以去 NCBI ftp 下载预编译包。

安装命令（conda 环境）：

conda create -n blast_env blast
conda activate blast_env
which blastn

我记得第一次在红帽集群上装 BLAST，没留意 glibc 版本，结果跑起来一堆段错误。后来老老实实下载静态编译版才消停。

装好后，配置环境变量和数据库路径是关键。很多新手会忽略这一步，结果每次都要打全路径。

个人建议：在 ~/.bashrc 里加一行：

export BLASTDB=/data/ncbi/nt

这样 BLAST 会自动去那个目录找数据库，省得每次都写 -db 全路径。

数据库格式化成 BLAST 索引也经常踩坑。比如从 NCBI 下载的 nt 压缩包，需要先用 makeblastdb 处理才行。

makeblastdb -in nt.fasta -dbtype nucl -parse_seqids -out /data/ncbi/nt

我曾经遇到一个案例：集群上好多用户共享一个数据库目录，但有人用 chmod 把权限搞乱了，结果所有 BLAST 任务都报权限错误。一定要统一管理 $BLASTDB 目录的读写权限。

2.2 命令行操作与参数详解

BLAST 的命令行结构其实很简单：

blastn -query myseq.fa -db nt -out results.txt -outfmt 6 -num_threads 4

你想想看，核心就是三个要素：查询序列（-query）、数据库（-db）、输出（-out）。剩下的参数都是在控制「怎么比」和「怎么出」。下面这张表是我在实际项目中经常调整的参数。

参数	说明	常用值 / 示例	我的经验
`-evalue`	期望值阈值	1e-5	一开始别设太严，1e-3 看看概貌
`-num_threads`	线程数	4, 8, 16	不是越多越好，超过物理核数反而变慢
`-outfmt`	输出格式	0~18	集群任务我几乎只用 `6` 或 `7`
`-max_target_seqs`	最多目标序列数	100	设太小可能漏掉同源，设太大输出文件膨胀
`-word_size`	种子词长	11（blastn默认）	调大能加快但可能漏敏感匹配

这里特别提一下 -outfmt。默认的成对比对输出（格式 0）在终端看看还行，但你要做下游分析或者批量跑，那就是灾难。我习惯用制表符分隔的格式：

-outfmt "6 qseqid sseqid pident length mismatch gapopen qstart qend sstart send evalue bitscore"

这样每一列清清楚楚，用 awk 或 pandas 都能直接读。因为工作需要，我还会加 sseq 列（格式 7 带注释）来快速确认序列内容。

一个小技巧：如果数据库很大，记得加 -lcase_masking 配合 -soft_masking true，能避免低复杂度区域的假阳性。我在做宏基因组比对时，这个开关救过我不少次。

2.3 输入输出格式

BLAST 的输入只有一条：FASTA 格式。很多生信工具都支持 FASTA，但 BLAST 对格式要求很严格——序列行不能有空格，描述行以 > 开头。我见过有人把多行序列合并成一行，结果 BLAST 直接报错。

正确的 FASTA 示例：

>query1 some description
ATCGATCGATCG
TACGATCGATCG
>query2
GGCCGGCCGGCC

输出格式上，我重点讲三种最常用的：

格式 0（默认）：成对比对详情，带排版，适合人类阅读，但是解析起来很恶心。
格式 6（制表符分隔）：每行一条比对，列数可定制。我 90% 的情况都用它。
格式 5（XML）：结构化的，适合程序处理。但是文件体积大，解析也慢，除非做二次开发，否则不推荐。

举个实际输出例子（格式 6，截取部分）：

query1	NC_000001.11	99.8	1500	3	0	1	1500	1000	2499	2e-10	789.0
query1	NC_000002.12	85.2	1450	215	2	1	1450	500	1949	3e-04	650.1

每列的含义分别是：查询ID、目标ID、相似度百分比、比对长度、错配数、缺口数、查询起止、目标起止、E值、比特分。

2.4 实战避坑指南

这部分是我真正想分享的。纸上谈兵没用，咱们直接看几个常见问题。

数据库索引损坏：如果报 BLAST Database error，多半是 makeblastdb 时没加 -parse_seqids，或者索引文字路径不对。用 blastdbcmd -db nt -info 检测一下。
线程调优：在 HPC 节点上，不要一股脑给满所有核。因为 BLAST 内部有 I/O 瓶颈，我测试过，NGS 数据和 8 核时性价比最高。
内存不足：如果用 -outfmt 5 XML 输出一个大库，内存会暴涨。建议要么限制 -max_target_seqs，要么换格式 6。
非标准字符：FASTA 序列里不能有 * - 等非核酸/氨基酸字符，否则 BLAST 会跳过整条序列。写脚本做一次清洗很必要。

我曾经接到一个紧急求助：有个同事跑了三天 BLAST，结果全是空文件。最后发现他误把 -outfmt 写成了 -outform，BLAST 直接忽略了那个参数，用了默认格式 0。这种事最好在脚本里做参数校验，或者先在单条序列上跑一次看看输出。

再说一个关于查找性能的。如果你每次跑 BLAST 都要扫整个 nr 库（几十 GB），那是真慢。我建议建立几个子库：比如只包含细菌的、只包含人类的。用 seqkit grep 等工具按分类过滤原始 FASTA，再用 makeblastdb 建子库。这样小任务跑子库，大任务跑全库，灵活很多。

快速验证的套路：

echo -e ">test\nACGTACGTACGT" | blastn -db nt -outfmt "6 sseqid pident evalue" -max_target_seqs 5

这一小段能帮你秒级确认数据库和参数是否正常，而不是等几分钟发现配置错了。

最后，我想说：BLAST 的命令行看着简单，但每个参数背后都有 trade-off。在 GPU 集群上跑并行时，参数选择直接影响任务能不能平摊到多个核上。下一阶段我们会专门讲如何用这些参数来设计高效的并行调度，这里先把基础打牢。