一、BLAST 概述：从何而来，解决什么问题

做生物信息学的人，几乎没人能绕过 BLAST。我第一次接触它还是读研的时候，导师扔给我一条未知序列，说「去比一下」。那时候我对 BLAST 的理解就是——把序列扔进去，点一下按钮，等结果。后来踩了不少坑，才慢慢摸清楚它的脾气。

BLAST 全称是 Basic Local Alignment Search Tool，基本局部比对搜索工具。别看它名字里带个「Basic」，背后的算法可一点都不基础。它解决的问题说白了就是：给定一条查询序列，能在海量数据库中快速找到与之相似的那些序列，并告诉你相似的程度有多高。

这里要注意一个关键词——局部。BLAST 做的是局部比对，不是全局比对。它只找序列之间最相似的片段，而不是把整条序列从头对齐到尾。这个设计非常聪明，因为很多生物序列的功能关键域就那么一小段，全局比对反而会稀释掉信号。

1.1 发展历史：从 FASTA 到 BLAST 的进化

上世纪 80 年代，序列比对还是一件相当奢侈的事。那时候 David Lipman 和 William Pearson 开发了 FASTA，算是早期最流行的比对工具。但 FASTA 在搜索大规模数据库时速度还是不够快，尤其是数据库越堆越大的时候。

1990 年，Altschul、Gish、Miller、Myers 和 Lipman 在 Journal of Molecular Biology 上发表了那篇经典文章——「Basic Local Alignment Search Tool」。这就是 BLAST 的诞生。它引入了一个核心思想：先用短「种子」匹配快速定位候选区域，再延伸出完整的比对。这个策略让搜索速度比 FASTA 提升了一个量级。

1997 年，升级版 Gapped BLAST 和 PSI-BLAST 推出。Gapped BLAST 允许在比对中引入空位，PSI-BLAST 则引入迭代搜索，构建位置特异性评分矩阵（PSSM），能捕捉到更远缘的同源关系。

2009 年，BLAST+ 发布，重写了底层代码，改善了多线程性能和内存管理。你现在用的 blastn、blastp 基本都是 BLAST+ 版本。NCBI 到今天还在维护和更新它，可以说它是序列搜索领域最长寿、最活跃的工具之一。

1.2 基本原理：BLAST 到底怎么工作的？

BLAST 的算法流程可以拆成四个阶段。我先用一句话概括：查表、延伸、打分、评估。

第一阶段：构建单词列表。 把查询序列拆成短片段，称为「种子」或「单词」。默认长度对于蛋白质是 3 个氨基酸，对于核苷酸是 11 个碱基。然后为每个单词在数据库中找匹配的条目。

第二阶段：命中延伸。 找到匹配的种子之后，向两侧延伸，同时用替换矩阵（比如 BLOSUM62 或 PAM250）计算得分。延伸过程中如果得分下降太多就会停止，这就是所谓的「高分段对」（HSP，High-Scoring Segment Pair）。

第三阶段：组合与优化。 如果一条数据库序列上有多个 HSP 落在合理范围内，BLAST 会尝试把它们拼接起来，用空位扩展算法做进一步优化。

第四阶段：统计评估。 最后给每个比对结果算一个 E-value（期望值），告诉你在随机情况下出现同样得分的概率有多大。E-value 越小，结果越可靠。

1.3 主要变体：不同场景用不同的 BLAST

BLAST 不是单一工具，而是一个家族。你面对的问题不同，选用的变体也不同。我用一个表格把它们理清楚。

变体名称	查询序列类型	目标数据库类型	典型场景
blastn	核苷酸	核苷酸	比对 DNA/cDNA 序列，找基因同源
blastp	蛋白质	蛋白质	比对蛋白序列，找功能同源
blastx	核苷酸（6帧翻译）	蛋白质	识别新转录本的编码潜力
tblastn	蛋白质	核苷酸（6帧翻译）	在基因组中找蛋白同源区域
tblastx	核苷酸（6帧翻译）	核苷酸（6帧翻译）	跨物种比较远缘同源
PSI-BLAST	蛋白质	蛋白质	迭代搜索，捕捉远缘同源
delta-blast	蛋白质	蛋白质（含域信息）	检测含有保守域的远源序列

这里我重点讲讲几个常用的变体，尤其是它们之间怎么选。

blastn 是最基本的核苷酸 vs 核苷酸比对。我常用于验证 PCR 产物序列与预期靶标是否匹配，或者在做基因组组装时检查 contig 之间的重叠区域。它的速度最快，因为核苷酸只有 4 种碱基，搜索空间小。

blastp 是蛋白质 vs 蛋白质比对。蛋白质有 20 种氨基酸，替换矩阵的语义信息更丰富，能捕捉到保守替换。我建议你在做功能注释时优先用 blastp，而不是通过 DNA 序列间接推断。

blastx 是个很实用的变体。它先把核苷酸序列按 6 个读码框翻译成蛋白质，再与蛋白数据库比对。使用场景：你手头有一段 mRNA 或 EST，但不知道它编码什么蛋白。blastx 直接告诉你这段序列能翻译出什么。

PSI-BLAST 是我个人比较偏爱的工具，尤其是在找远缘同源的时候。它迭代地从比对结果中提取保守模式，构建位置特异性矩阵（PSSM），然后用这个矩阵去搜索下一轮。说白了，它像是一个「越搜越聪明」的工具。默认迭代 3 轮，但你可以根据自己的数据调整。

1.4 应用场景：BLAST 能帮你做什么

BLAST 的应用范围太广了，几乎贯穿了分子生物学的所有领域。我挑几个最典型的场景来聊。

场景一：物种鉴定。 拿到一条未知的 16S rRNA 或 COI 序列，用 blastn 比对 NCBI 的 nt 数据库，匹配到哪个物种基本就定了。环境微生物组数据里，这种用法最普遍。

场景二：基因功能注释。 新测序的基因组或转录组，用 blastp 或 blastx 比对 Swiss-Prot、TrEMBL 或 NR 数据库，根据同源基因的标注信息推断功能。我参与过一个植物转录组项目，就是用 blastx + GO 映射来做功能分类的。

场景三：同源搜索与进化分析。 在多个物种间找同一家族的同源基因，blastp 是标准入口。拿到比对结果后，再用多序列比对工具做进化树分析。

场景四：引物设计验证。 设计好的引物用 blastn 比对基因组数据库，检查是否有非特异性结合位点。尤其是做 qPCR 时，这一步不能省。

场景五：结构域与保守片段发现。 用 PSI-BLAST 或者 deltablast 搜索含有特定保守域的序列，可以在实验之前就预测蛋白可能的功能区域。

1.5 跑 BLAST 之前，先把数据准备好

这里分享一点我自己的操作习惯。跑 BLAST 之前，序列文件的格式整理干净，能省掉很多不必要的麻烦。

• 查询序列：必须是 FASTA 格式，头行以 > 开头，不要含空格或特殊符号（我见过某实验室的数据里带着中文标点，结果 BLAST 直接报错）。
• 数据库：本地跑的话记得先 makeblastdb。NCBI 官方数据库可以直接下预构建的，省时间。
• 参数设置：根据你的序列长度和目的调整 -word_size、-evalue、-num_threads。短序列把小 word_size 调低一些，能提高灵敏。

# 构建本地 BLAST 数据库示例
makeblastdb -in refseq_protein.faa -dbtype prot -out my_prot_db

# 运行 blastp 示例
blastp -query query.faa -db my_prot_db -out blast_results.txt -outfmt 6 -evalue 1e-5 -num_threads 8

-outfmt 6 是表格格式，每行一条匹配，我一般默认用这个，方便下游脚本处理。如果你需要可视化查看比对细节，可以用 -outfmt 0 或者直接用 NCBI 网页版。

1.6 一个常见的误区：E-value 越小越好？

很多人觉得 E-value 到 1e-50 就比 1e-10 好，这个认知不完全对。E-value 受查询序列长度和数据库大小的影响很大。举个极端例子：一条 50 bp 的短序列，E-value 能到 1e-5 已经算高度保守了；而一条全长 16S rRNA（约 1500 bp），E-value 轻松到 1e-100 以上。

正确的做法：评估显著性时，要同时看 E-value、比对覆盖度和序列一致性三个维度。我内部定过一个规则——「E-value 小于 1e-5 + 覆盖度大于 70% + 一致性大于 60%」，三个条件同时满足才认为是有意义的同源。当然你可以根据自己的数据松紧调整。