BLAST 基础：原理、变种与核心参数
做序列比对，BLAST 是我的首选工具。它快，而且够准。当年我刚开始做功能注释时，拿一条未知基因序列直接跑全库比对，几秒就出结果。后来才发现，如果不理解它背后的局部比对逻辑，很容易被 E-value 骗到。
这一章我们就把 BLAST 的底层机制拆开看看。你不必成为算法专家，但知道它怎么工作的，能帮你更合理地选参数、判结果。
局部比对——BLAST 的核心思想
传统全局比对（比如 Needleman-Wunsch）要求两条序列从头拼到尾，适合高度相似的序列。但生物世界很残酷——基因可能只共享一个结构域，其他部分八竿子打不着。这时候全局比对就像硬拉两个陌生人穿一条裤子，结果一塌糊涂。
BLAST 采取的是局部比对策略。它只在两条序列之间找高相似度的片段，哪怕只有几十个氨基酸匹配，剩下的部分完全不关心。我处理过一个例子：一条人类基因和一条酵母基因全局比对只有 18% 相似度，但 BLAST 却找出了一个 80 个残基的结构域，相似度高达 65%。这个结构域恰好是催化位点。
具体算法分三步：
- 种子（Seed）发现：把查询序列切成一个个固定长度的短片段，比如长度为 3 的氨基酸 k-mer。然后在一个预建索引里快速匹配数据库中的相同或相似片段。
- 延伸（Extension）：从种子向两端扩展，每次加上一个字符，直到得分低于某个阈值。这个过程不加空位，纯靠替换得分。
- 打分与统计：用替换矩阵计算整个局部比对的得分，然后用统计学模型算出这个得分出现的概率——这就是 E-value 的前身。
你想想看，如果没有局部比对这个前提，跨物种找同源结构域会难如登天。BLAST 之所以成为经典，就是因为它抓住了生物序列“局部保守”这个本质。
三种常用变种——选错等于白跑
BLAST 家族有几十个变种，但日常最常用的就三个：blastp、blastn 和 blastx。我见过不少新手在蛋白序列库里跑核酸序列，结果全是乱匹配——因为核酸和蛋白的字母表都不一样，怎么可能对上？
| 变种 | 查询序列类型 | 数据库序列类型 | 典型场景 |
|---|---|---|---|
| blastp | 氨基酸 | 氨基酸 | 蛋白直系同源搜索、结构域注释 |
| blastn | 核苷酸 | 核苷酸 | 基因组比对、保守非编码区搜索 |
| blastx | 核苷酸（翻译后） | 氨基酸 | 新基因组预测编码区、EST 注释 |
blastp 是最直接的蛋白 vs 蛋白。它用的替换矩阵天然适合蛋白进化距离。
blastn 做核酸比对时，比 water 这类全局工具快得多。但要注意，核酸的替换矩阵默认是 +1/-3 这种简单模型，不适合远缘物种——这个时候我会换成 megablast 参数。
blastx 是我个人最喜欢的变种。它先把核酸序列按六帧翻译成蛋白，再对蛋白数据库做比对。相当于一次解决“这个片段到底编码不编码”和“它像什么蛋白”两个问题。我做过一个宏基因组项目，用 blastx 从一堆垃圾 reads 里找出了全新的抗生素抗性基因，如果只用 blastn 根本看不到。
E-value 与得分矩阵——别只看分数
很多人打开 BLAST 结果只看 Score，分数越高越开心。但 Score 受序列长度影响巨大：一条全长的基因比对分数自然比一个短片段高。真正用来判断显著性的，是 E-value。
E-value 的官方定义是：在随机情况下，预期能出现多少次相同或更高得分的匹配。说白了，如果 E-value 是 1e-10，意味着在同样大小的随机数据库里，你平均需要跑 100 亿次才能碰到一次这么高的分数。所以 E-value 越小，匹配越靠谱。
- 同源蛋白保守域：E-value ≤ 1e-30
- 跨物种直系同源（有完整序列）：E-value ≤ 1e-20
- 结构域水平匹配：E-value ≤ 1e-5
- 远缘弱同源（如基因水平转移候选）：E-value ≤ 0.01
低于 0.01 的匹配我一般直接忽略，除非有实验证据。
E-value 的计算依赖 得分矩阵。为什么要把氨基酸替换成另一个氨基酸的得分设成不同值？因为有些保守替换（比如 Ile → Leu）在进化中很常见，改变蛋白质结构很小，而带正电的 Arg 换成不带电的 Ser 就可能是灾难性的替换。BLOSUM62 是目前最主流的矩阵，专门针对进化距离 62% 以上的序列优化。如果你跑的是亲缘很远的序列（比如人和细菌），可以试试 BLOSUM45；很近的物种用 BLOSUM80 更好。
做植物转录组注释时，默认用了 BLOSUM62 跑 blastp。结果发现大量水稻基因和拟南芥的匹配分数偏低，E-value 在 1e-5 左右。换回 BLOSUM45 后，很多同源关系清晰的匹配 E-value 降到了 1e-20 以下。并不是序列变长了，而是矩阵参数更匹配了真实进化距离。
建议你每次跑 BLAST 前先思考：我的查询和数据库之间的平均进化距离大约是多少？然后手动指定合适的矩阵和 E-value 阈值。默认值虽然好用，但未必最优。
上图把 BLAST 执行流程串了一遍。你可以看到，得分矩阵和E-value 一起决定了最终报告的可信度。矩阵影响每一步的得分，E-value 则把得分转化为统计学显著性。这两者是 BLAST 的命门。
至于具体命令行，我们会在后面几章手把手演示。本章你只要记住：BLAST 是一个聪明的局部比对工具，选择正确的变种、设置合理的 E-value 阈值、用对替换矩阵，这三件事做好了，注释结果的质量才会有保障。