基因组注释概述与BLAST的核心作用

基因组注释是什么？说白了，就是给DNA序列“贴标签”。

你拿到一条完整的基因组序列，像一本天书。注释工作就是把这本天书翻译出来——哪里是基因，哪里是调控区域，哪些片段有生物学功能。我刚开始接触这行时，以为注释就是把序列往数据库里一丢就完事了。后来发现，远没那么简单。

1.1 什么是基因组注释

基因组注释有三个层次，我习惯这么分：

• 结构注释——找基因的位置。外显子、内含子、启动子、UTR，这些元件的边界在哪里？
• 功能注释——猜基因的作用。这个基因编码什么蛋白？参与什么通路？
• 调控注释——看基因怎么被管。转录因子结合位点、甲基化区域、增强子、沉默子。

你想想看，这三个层次一环扣一环。结构注释没做好，后面功能预测就是空中楼阁。我在项目里见过太多人，一上来就急着跑BLAST，结果连基因模型都没校正，比对出来的结果完全浪费。

1.2 注释的一般流程

标准的注释流程，我把它拆成几个阶段。每一阶段都需要BLAST的参与：

1. 重复序列屏蔽——先把重复区域标记出来，避免它们干扰后续比对。
2. 从头基因预测——用AUGUSTUS、GlimmerHMM这类工具，基于统计模型找候选基因。
3. 同源比对证据整合——这里BLAST登场了。把预测的基因序列与已知蛋白库、转录组数据做比对，验证结构。
4. 功能注释——用BLASTX、BLASTP去Swiss-Prot、NR这些库中找同源蛋白，推断功能。
5. 人工审校与修正——最后靠经验判断，哪些基因模型需要合并、分裂或调整。

嗯，这里要注意。很多人把BLAST当作注释的终点，其实它只是起点。比对结果只能给你线索，真正可信的注释需要多证据交叉验证。

1.3 BLAST在注释中的关键角色

BLAST（Basic Local Alignment Search Tool）是注释工具箱里最趁手的家伙。它能帮你快速找出查询序列与已知库中哪些序列最相似。

我个人在注释流程中经常用到下面几个BLAST变体：

BLAST类型	查询序列	目标数据库	典型用途
BLASTN	DNA	DNA	鉴定重复序列、同源非编码区
BLASTP	蛋白	蛋白	已预测蛋白的功能注释
BLASTX	DNA（6框翻译）	蛋白	不知道是否编码时做同源搜索
TBLASTN	蛋白	DNA（6框翻译）	找基因组的编码区痕迹
TBLASTX	DNA（6框翻译）	DNA（6框翻译）	高度进化分歧的序列间找同源

我曾经在一个真菌基因组项目里，只用BLASTX就把80%的预测基因注释出来了。但剩下的20%特别棘手——要么是物种特异的，要么是数据库里没有近缘序列。这时候光靠BLAST就不够了。

1.4 一个典型BLASTX运行示例

假设你从注释工具里得到一批候选基因的cDNA序列，想验证它们是否真的编码蛋白。我会这样跑BLASTX：

blastx -query candidate_genes.fasta \
      -db swissprot \
      -out blastx_results.txt \
      -outfmt "6 qseqid sseqid pident length mismatch gapopen qstart qend sstart send evalue bitscore" \
      -evalue 1e-5 \
      -num_threads 8

输出格式选表格形式（outfmt 6）是我的习惯，方便后续用awk或者Python做统计。比如你想看每个查询序列的最优匹配：

sort -k1,1 -k12,12nr blastx_results.txt | awk '!seen[$1]++' > best_hits.txt

1.5 BLAST与其他方法的协同

BLAST不是万能的。它的强项是速度，弱项是对高度分化序列不敏感。我建议你在注释流程里搭配使用：

• 用HMMER做profile搜索，识别远缘同源——适合检测那些BLAST找不出来的保守结构域。
• 用DIAMOND加速超大数据库比对——NR库几十GB，BLAST跑几天，DIAMOND可能几小时搞定。
• 用InterProScan整合多个数据库的注释——BLAST给出种子，InterProScan补充结构域信息。

嗯，这里再说个我踩过的坑。有一次我直接用BLAST结果做功能富集分析，结果假阳性率特别高。后来发现原因是对齐覆盖度太低——匹配上的区域只有30个氨基酸，却硬说整个蛋白有那个功能。后来我加了一条过滤规则：要求对齐覆盖度不低于50%，错误率一下子就降下来了。