📚 课程目录第2章 BLAST数据库

2 BLAST数据库：选对库，结果就成功了一半

做BLAST这么多年，我最大的感悟就是——数据库选错了，后面的一切分析都是白搭。你想想看，拿着一个未知序列去比对，如果库里的参考数据全是错的或者不全的，那出来的结果能靠谱吗？

这一章，咱们就聊聊BLAST的三大数据库家族：NCBI非冗余数据库、参考基因组数据库，还有你自己构建的自定义数据库。我会把每个库的特点、适用场景、还有我踩过的坑，都跟你说明白。

核心要点：不同数据库解决不同问题。NR数据库适合广撒网找同源序列，参考基因组库适合精确定位，自定义库则是解决特殊问题的利器。

2.1 NCBI非冗余数据库（NR）

NR，全称Non-Redundant Protein Database。说白了，就是NCBI把GenBank、RefSeq、EMBL、DDBJ等多个数据库的蛋白序列合并起来，去掉了重复的部分。嗯，这样做的好处很明显——节省你的比对时间，避免冗余结果干扰判断。

NR数据库的特点：

覆盖最广：几乎涵盖所有已知物种的蛋白序列
更新最快：每两周更新一次，跟上科研前沿
非冗余：相同的序列只保留一条
体积巨大：目前已经超过5亿条序列，索引文件上百GB

什么时候该用NR？我个人习惯是做物种鉴定或功能注释的第一步。比如你从一个环境样本里拿到了一段未知基因序列，想知道它是什么东西、可能有什么功能，直接用NR blastp或者blastx扫一遍，基本就能有个数。

但NR也有它的隐患。我曾经在项目里遇到过一个情况：用NR比对结果里出现了大量低置信度的匹配，后来查了才发现，是因为NR里包含了很多未验证的预测序列。所以我的建议是——用NR做初筛没问题，但别完全相信排在后面的匹配。

数据库	序列来源	去重方式	典型大小	更新频率
NR (protein)	GenBank, RefSeq, EMBL, DDBJ, PDB等	100% 序列去重	~500GB	每2周
NT (nucleotide)	GenBank, EMBL, DDBJ	100% 序列去重	~200GB	每2周
RefSeq	NCBI手工审核+自动流程	严格的非冗余	~50GB	每月

小技巧：如果你的机器内存有限，建议使用BLAST的-num_threads参数控制并行度，别让NR数据库把内存吃光了。我一般设成物理核心数的一半，比较稳妥。

避坑指南：不要用NR数据库去做全基因组比对分析！NR里的序列片段化严重，用它做全基因组水平分析会得到大量碎片化的、不完整的结果。我见过有人拿着NR的blast结果去拼基因组，结果拼出来的东西根本不能用。

2.2 参考基因组数据库（RefSeq/Genome）

参考基因组数据库和NR数据库最大的区别是什么？一个是「百科全书」，一个是「专题著作」。NR像百科全书，什么都有一点；而参考基因组数据库更像是一个物种的完整基因组专著，序列完整、注释规范。

我个人的经验是——做call变异、比较基因组、基因家族分析这类事情，永远优先选择参考基因组数据库。因为它的序列是完整的染色体级别，有稳定的基因注释，方便你做后续的定位和统计分析。

参考基因组数据库的核心特点：

序列完整：从染色体到线粒体，覆盖完整
注释标准：基因、外显子、CDS等区域有标准标注
版本明确：比如GRCh38/hg38，版本号清晰可追溯
专门化：每个物种一个库，大小适中

但是——这里有个坑。参考基因组数据库的序列虽然完整，但它的变异多样性不如NR。什么意思呢？比如你研究的是一个稀有品种的细菌，但参考基因组库只收录了标准株，那比对结果的灵敏度就会下降。我曾经遇到过一个情况，用标准参考基因组库去比对野生菌株的测序数据，结果大量read无法比对，后来换成NR做核苷酸比对才找到同源序列。

总结一下：什么时候该用哪个，取决于你的研究目的。做精确的基因组分析用参考基因组库，做广泛的同源性搜索用NR。

# 下载人类参考基因组（GRCh38）的索引
# 这一步不要用wget直接下载，建议用NCBI的datasets工具
datasets download genome taxon human --reference --assembly-level complete

# 解压并构建BLAST索引
tar -xzf ncbi_dataset.zip
makeblastdb -in GCF_000001405.40_GRCh38.p14_genomic.fna \
            -dbtype nucl \
            -parse_seqids \
            -out human_GRCh38

2.3 自定义数据库构建

最后聊一个我个人认为最有用的东西——自定义数据库。为什么说它有用？因为真实世界里的生物信息学问题，很多时候标准数据库根本搞不定。

举几个例子你就明白了：

你有一个细菌基因组的完整序列，想知道它跟某个特定基因家族的所有成员有哪些同源关系——这种问题只能建一个自定义库
你的项目需要对特定的功能基因集合（比如抗性基因、毒力因子）做定向搜索——标准库太大了，建个小库更快
你想比较自己的测序序列跟实验室之前积累的所有克隆序列——那就建个实验室专用数据库

构建自定义数据库其实很简单，就两步：

准备好FASTA文件（序列数据）
用makeblastdb命令构建索引

这里我写一个标准的构建流程：

# 创建一个自定义的FASTA文件（假设叫 my_sequences.fasta）
# 注意FASTA格式要求：>开头ID行，后面序列行，不能有空行

>geneA_bacillus_subtilis
ATGCGTATCGTAGCTAGCTAGCTAGC
>geneA_escherichia_coli
ATGCTAGCTAGCTAGCTAAACGTAGC
>geneA_pseudomonas_aeruginosa
ATGCGTACGTAGCTAGCTAGCGATCG

# 构建BLAST索引
makeblastdb -in my_sequences.fasta \
            -dbtype nucl \
            -title "My Custom GeneA Database" \
            -parse_seqids \
            -out my_custom_db

注意：-dbtype参数只有两个选项：nucl（核酸）和prot（蛋白）。别弄混了。我刚开始做自定义库的时候，就犯过拿核酸库当蛋白库用的低级错误，结果blastp报错报了半天。

关于自定义库的一些参数建议：

参数	作用	我的建议
`-dbtype`	指定序列类型	看情况选，别选错
`-title`	设置库的名称	建议包含日期和版本信息
`-parse_seqids`	解析ID信息	建议开启，后面做序列提取方便
`-out`	输出库的路径和前缀	写清楚路径，别随便丢在桌面上

一个我踩过的坑：自定义数据库构建完后，千万要注意文件名不要包含中文字符或特殊符号。我有个项目就是因为文件名里加了空格和下划线混用，结果BLAST在Linux环境下一直找不到数据库，排查了半天才发现是路径问题。建议统一用小写字母加下划线。

构建完自定义库之后，用到BLAST的时候只要指定库的路径就行：

blastn -query unknown_sequence.fasta \
       -db /path/to/my_custom_db \
       -out result.txt \
       -outfmt 6 \
       -evalue 1e-5

哦对了，还有一点要提醒你——自定义库构建后会产生几个后缀为 .nhr、.nin、.nsq 的索引文件，这些文件必须放在一起，不能移动或删除。我曾经因为磁盘空间不够，把索引文件挪到了另一个目录，结果BLAST直接报错说找不到数据库。