BLAST 简介：算法原理、主要类型与适用场景

做生物信息学这一行，BLAST 算是吃饭的家伙事儿了。我最早接触它的时候还是学生，那时候跑个 blastn 比对，等结果的时候就去泡杯咖啡。现在回过头来看，理解 BLAST 的原理和不同变体，是做结果一致性校验的前提。说白了，你连工具怎么工作的都不知道，怎么判断它给出的结果靠不靠谱？

这一章我们就从原理和类型入手，把 BLAST 这玩意儿的底裤扒清楚。

BLAST 算法的核心思想

BLAST 的全称是 Basic Local Alignment Search Tool。它要解决的核心问题很简单：给定一条查询序列，在庞大的数据库里找到与之相似的序列片段。但你想想看，如果每条序列都去做全局比对，计算量太大了。所以 BLAST 采用了一种启发式算法，用“近似匹配”来换速度。

它的核心流程可以分为三步：

1. 种子生成：把查询序列拆成短片段，比如长度为 3 的氨基酸片段或者长度为 11 的核酸片段。这些短片段称为“种子”或“单词”。
2. 种子命中：在数据库里快速查找哪些序列包含与这些种子高度相似的短片段。这一步用到了哈希表或者索引，速度非常快。
3. 延伸与比对：找到种子命中后，从命中位置向两端延伸，用动态规划或者带空位的延伸算法，生成最终的局部比对结果。

这个策略带来了巨大的速度优势。我记得有一次我需要比对 10,000 条序列到一个大型基因组数据库。如果用全局比对工具，估计要跑一周。但用 BLAST，一天就跑完了。代价是什么呢？BLAST 可能会漏掉一些相似度很低的远缘序列，因为它依赖种子来启动比对。

五类核心 BLAST 程序

我知道很多初学者会混淆这几种 BLAST 的用途。其实记起来不难，核心就是看你输入什么序列，以及你想去数据库里找什么序列。我总结了下面这张表，你一看就明白：

程序名	查询序列类型	数据库类型	典型场景
blastn	核酸（DNA/RNA）	核酸	基因鉴定、引物设计验证、序列比对
blastp	蛋白质	蛋白质	蛋白功能注释、同源蛋白搜索
blastx	核酸（翻译为蛋白质）	蛋白质	预测新基因、寻找跨物种同源蛋白
tblastn	蛋白质	核酸（翻译为蛋白质）	在基因组中找蛋白编码区域
tblastx	核酸（翻译为蛋白质）	核酸（翻译为蛋白质）	探索性比对、远缘物种核苷酸比对

各程序的适用场景详解

现在我们来逐一拆解。

blastn 与 blastp：最基础的比对

这两个是教科书级别的典型例子。blastn 对 DNA，blastp 对蛋白。如果你做的物种是同一个物种或者近源物种，核苷酸比对就足够了。但如果你要跨物种比对同源基因，我一般建议用 blastp。

我遇到过这样一个案例：做小鼠和大鼠某个基因的直系同源关系分析。最开始我用 blastn 去比 cDNA 序列，结果相似度只有 85%，而且得分不高。换用 blastp 后，蛋白序列相似度一下子到了 95% 以上。这其实是因为核酸序列的差异体现在冗余的密码子上，但蛋白序列被“沉默”了。

blastx：从核酸到蛋白的桥梁

blastx 可能是我个人用得最频繁的一款。它把你输入的核酸序列按六种阅读框（正链 3 种，负链 3 种）翻译成蛋白，再去搜索蛋白数据库。这样做的好处是你可以直接拿 EST、RNA-seq 的转录本序列去比对已知蛋白库，快速判断这个转录本编码什么蛋白。

tblastn：找蛋白的逆过程

tblastn 是用一个已知蛋白序列，去搜索基因组或转录组的核苷酸数据库（数据库会被实时翻译成蛋白）。这个工具在做基因组注释的时候特别有用。比如你有一个人的蛋白序列，想去看看小鼠的基因组里有没有可能的直系同源基因，tblastn 是最直接的办法。

tblastx：最慢但最灵活

tblastx 把查询序列和数据库序列都翻译成蛋白再比对。它的灵敏度最高，但速度最慢。我一般只在探索性分析中使用它，或者当以上四种方法都找不到任何结果的时候。

举个例子，你有一个新测序的细菌基因组，要去比对远缘的真核生物数据库。直接用 blastn 可能什么都找不到。但用 tblastx，通过蛋白层面的保守性，也许还能发现一些高度保守的基因片段。

如何在实际项目中选择 BLAST 类型

我给大家一个简单的操作流程，帮你在实际项目中快速决策：

1. 你先看你的查询序列是核酸还是蛋白质。
2. 再看你的目标数据库是核酸库还是蛋白库。
3. 如果两者类型相同（核酸对核酸，或蛋白对蛋白），优先选 blastn 或 blastp。
4. 如果查询是核酸，数据库是蛋白 → blastx。
5. 如果查询是蛋白，数据库是核酸 → tblastn。
6. 如果两者都是核酸但你要做远缘比对 → tblastx。

一张图看懂 BLAST 家族

下面是我手绘的一张结构图，帮你把这五类 BLAST 的查询-数据库逻辑理清楚。当你面对一个实际的比对需求时，闭上眼睛对照着这张图看一眼，就能马上确定该用哪个程序。

从图中你可以看到，blastn 和 blastp 是“同类型”比对，blastx 和 tblastn 是“跨类型”比对，tblastx 是最复杂的双边翻译比对。这五类涵盖了几乎所有的序列比对需求。

BLAST 结果的初步理解

不管跑哪种 BLAST，输出结果一般都包含以下几个核心字段：

• query：你的查询序列标识符。
• subject：数据库中被比中的目标序列标识符。
• identity：匹配的百分比。
• alignment length：比对长度。
• mismatches：错配数。
• gap opens：空位开放数。
• e-value：期望值，表示随机情况下出现这样的比对结果的概率。值越小越好。
• bit score：比特分，分数越高说明比对越可靠。

举个例子，一个典型的 blastn 命令行运行结果长这样：

blastn -query my_gene.fasta -db nt -out my_gene_blast.txt -outfmt 6 -num_alignments 10

这条命令的意思是：用 my_gene.fasta 文件里的核酸序列，去搜索 NCBI 的 nt 核酸数据库，输出格式为制表符分隔的表格（-outfmt 6），只保留前 10 个最佳匹配结果。