📚 课程目录第4章 BLAST数据库构建

4. BLAST 数据库构建：从开始到跑通

好，咱们今天聊聊数据库构建。BLAST 跑得快不快，结果好不好，很大程度上取决于你身后那个数据库靠不靠谱。

我自己入行那会儿，第一件事就是把 NR 数据库全量下载下来。嗯，结果硬盘直接爆了。那之后我才明白，数据库构建不是简单跑条命令，你得先想清楚：查什么？怎么查？查多大？

4.1 makeblastdb：最简单的入门

不管你是用官方数据库还是自己造的序列，第一步永远是 makeblastdb。这工具是 BLAST+ 套件自带的，装好 BLAST 就能用。

基本用法特别直接。假设你手里有个 FASTA 文件 my_seqs.fasta，想把它变成 BLAST 能查的库：

makeblastdb -in my_seqs.fasta -dbtype nucl -out my_db

这里 -dbtype 后面跟两个值：

nucl：核酸序列。主要用于 blastn、tblastn。
prot：蛋白序列。用于 blastp、blastx。

-out 参数指定输出库的名字。我个人习惯把库名写得有意义，比如 human_refseq_rna_2024，这样过几个月回头还能想起这是啥。

技巧：如果你库文件很大，可以加 -max_file_sz 参数。比如 -max_file_sz 4GB，表示单个索引文件的最大尺寸，超过就会分卷。这能避免系统文件大小限制。

4.2 关键参数，一次讲透

别看 makeblastdb 命令短，里面门道不少。我搞过不少次因为漏参数导致结果出错的，咱一次性避开这些坑。

参数	作用	我的踩坑记录
`-dbtype`	指定核酸/蛋白	记得把 `nucl` 拼对，我打成 `nucl` 也见过别人打成 `nucleotide`，会报错。
`-title`	为数据库起个名称	如果你建的库很多，有个好标题方便后续管理。建议体现物种、版本、来源。
`-parse_seqids`	解析序列 ID	默认不解析，但如果你后续要用 `blastdbcmd` 提取子集，就必须加这参数。
`-hash_index`	构建哈希索引	用于 `blastdb_aliastool`，一般用户用不到，但做大规模整合时很实用。

举个例子，一个更完整的命令：

makeblastdb -in zebrafish_protein.faa \
            -dbtype prot \
            -title "Danio rerio RefSeq protein" \
            -parse_seqids \
            -out zebrafish_refseq_prot

这样建出来的库，后期你用它做任何查询，都能直接从结果反查回原始序列，非常方便。

注意：如果没有 -parse_seqids，你的 blastdbcmd 没法根据序列 ID 提取信息，整个库就是个“黑盒”。我曾经因为这个，浪费了一天时间批量改代码。

4.3 NT 与 NR：官方两大护法

咱们做质控，经常需要用到官方的 NT 或 NR 库。这两个库到底选哪个？你想想看，你的核心问题是什么？

库	全称	内容	典型场景
NT	Nucleotide collection	所有已知核酸序列，含冗余	物种分类、污染检测、组装后验证
NR	Non-redundant protein	蛋白质序列，去冗余	功能注释、同源性搜索、比较基因组

实践中我自己的习惯：

做污染检测（比如质控、去除宿主污染）→ 选 NT。因为 NT 含冗余，对低丰度污染的敏感度很高。
做功能注释（比如给新组装基因做 blastx）→ 选 NR。去冗余后，结果更容易聚焦在最相关的 hit。

下载策略

NT 和 NR 官方提供了预构建的 BLAST 数据库，直接下载后解压就能用，不用自己跑 makeblastdb。下载地址去 NCBI FTP，但具体链接我建议你别死记，可以写个脚本自动拉。

我记得有一次项目急，我直接手动下载 NT 库，300多GB，下到一半网络断了。哎，后来我就学会用 wget -c（断点续传）配合序列化了。

wget -c ftp://ftp.ncbi.nlm.nih.gov/blast/db/FASTA/nt.gz
gunzip nt.gz
makeblastdb -in nt -dbtype nucl -title "NT full" -parse_seqids -out nt_full

当然，官方数据库更推荐直接下载 .tar.gz 格式的分卷包：

wget -r -np -nd ftp://ftp.ncbi.nlm.nih.gov/blast/db/nt.*.tar.gz
for f in nt.*.tar.gz; do tar xzf "$f"; done

这样你得到的就是已经做好的 BLAST 库，直接 blastn -db nt 就能用。

    核心建议：如果做质控，一定先用 NT 做扫库。NR 适合做后续精细分析，但粗筛阶段 NT 的灵敏度更优。我见过有人拿 NR 做污染检测，结果阴性对照全过了，换个 NT 一查全是低丰度细菌序列。

4.4 自定义数据库：你想查什么就建什么

官方库虽然强大，但还是有局限性。比如你工作在小鼠的肠道宏基因组，那 NT 里的水稻、拟南芥、人源序列就是你不需要的干扰项。这时候，自定义数据库就派上用场了。

说句实话，我做过的商业项目，90% 都用了自定义库。好处很明显：

体积小：搜索速度快得多
特异性高：干扰序列少，结果更干净
可重复利用：团队共享，统一规范

怎么构建？直接套用 makeblastdb

假设你要建一个小型病毒库，包含几十条序列：

cat virus1.fasta virus2.fasta virus3.fasta > my_virus_db.fasta
makeblastdb -in my_virus_db.fasta -dbtype nucl -title "My Virus DB" -out my_virus_db -parse_seqids

就这么简单。关键是你要保证输入序列质量：

去除低质量序列（尤其短于 100bp 的，容易导致假阳性）
去除重复 ID，否则 -parse_seqids 会报错
序列行不要带空格或特殊字符，NCB 的格式要求严格

技巧：如果你想建蛋白库，就把 -dbtype prot 加上。有时候交叉验证，把核酸翻译成蛋白再建库去做 blastx，结果更精确。我曾在一个宏基因组项目里，用 nt 库扫出大量“未知”，换成自定义病毒蛋白库，直接命中率飙升到 85%。

一个真实案例

早些年我做过一个临床微生物检测平台。医院想快速判断样本中是否含耐药基因。建一个自定义的耐药基因蛋白库，配合 blastx，整个流程从原来 3 小时缩到 20 分钟，且假阳性率很低。

流程大致是：

从 CARD、ResFinder、ARG-ANNOT 下载所有耐药蛋白序列
去冗余（用 cd-hit 或 USearch，聚类 90% 以上序列）
合并为一个 FASTA
makeblastdb 建库
每天晚上增量更新

这套流程至今仍是我推荐给客户的标配方案。

4.5 库维护与更新策略

数据库不是建完就完事了。我个人的经验是：

官方库每 2-3 个月更新一次，不要太频繁，因为全量下载太慢。增量更新可以用 NCBI 的 update_blastdb.pl 脚本。
自定义库每次有新数据或新版本时重建，但注意保持库名与版本对应，建议在库名里加日期或版本号。

重要提醒：改参数或增加新序列后，务必删除旧的 .phr/.pin/.psq 等索引文件后再重建。我见过有人直接覆盖，结果新旧索引混在一起，blast 直接挂掉，报错信息还特别隐晦。

4.6 核心流程图

嗯，这张图基本概括了数据库构建的选择逻辑。你照着走，不会迷路。

4.7 常见问题与避坑

坑1：库文件被截断。 下载 NT/NR 时，网络不稳导致 tar.gz 损坏。解压时没报错，但序列数不对。解决：下载完后做 md5 校验，或者用 gunzip -t 确认完整性。

坑2：自定义库序列 ID 重复。 这会导致 -parse_seqids 报错或查询结果混乱。解决：建库前用 grep '^>' 检查重复 ID，必要时加前缀分群。

我的个人经验：别图省事把所有序列塞到一个文件。按功能或物种分库，用 blastdb_aliastool 做多库联合查询。这样后续维护、更新都清晰。我曾经把所有细菌序列放一个库，后来想删掉某个属的序列，哎，根本没法做，只能重建整个库。