📚 课程目录第3章 BLAST命令行使用

3. BLAST命令行使用：BLAST+安装与实战

讲到序列比对，BLAST 绝对是绕不开的核心工具。不管是做基因组注释、功能预测，还是找同源序列，BLAST 都跑不掉。很多同学用惯了在线版，觉得点两下就能出结果。但我得说一句——真要做大规模数据分析，本地 BLAST 才是正道。

为什么？你想想看，几百条序列往 NCBI 网页一贴，服务器等半天不说，数据安全也是个问题。我个人的习惯：只要是做项目，不管大小，先搭本地 BLAST。今天咱们就把这事儿说透。

3.1 BLAST+ 的安装

BLAST+ 是 NCBI 官方维护的命令行工具集。相比老版的 blastall，它速度更快，参数也更规范。安装其实很简单。

核心思路：下载预编译二进制，解压，加入 PATH 就完事了。

以 Linux 系统为例，我通常这么干：

# 下载 BLAST+ 2.15.0（版本号根据需求调整）
wget https://ftp.ncbi.nlm.nih.gov/blast/executables/blast+/LATEST/ncbi-blast-2.15.0+-x64-linux.tar.gz

# 解压
tar -zxvf ncbi-blast-2.15.0+-x64-linux.tar.gz

# 移到常用目录
sudo mv ncbi-blast-2.15.0+ /usr/local/

# 加入环境变量
export PATH=/usr/local/ncbi-blast-2.15.0+/bin:$PATH

Windows 用户呢？下载 Windows 版 exe 安装包，直接点下一步就行。安装完后记得把 C:\Program Files\NCBI\blast-2.15.0+\bin 加到系统环境变量里。

检查是否成功：打开终端输入 blastn -version。我习惯先跑这条命令确认环境没问题。

3.2 认识两大主力：blastn 与 blastp

BLAST+ 工具包里命令不少。但日常用得最多的，就两个：

blastn —— 核酸 vs 核酸
blastp —— 蛋白 vs 蛋白

这俩的逻辑一样，只是比对的对象不同。blastn 找的是 DNA 层面的相似性，blastp 看的是氨基酸层面的保守性。我在做植物基因组项目时遇到过一个问题：用 blastn 比对编码区序列，结果好多假阳性——因为内含子区域干扰太大。后来改用 blastp 比对翻译后的蛋白序列，结果明显干净多了。

注意：用 blastn 比对时，若 대상序列是真核生物，一定要考虑内含子问题。跨物种比对我更推荐用 blastp 做蛋白层面分析。

3.3 核心参数解析

咱们先看一个典型的 blastn 命令：

blastn -query my_seqs.fasta -db nt -out results.txt -outfmt 6 -evalue 1e-5 -num_threads 4

来拆解一下每个参数：

参数	作用	我的经验
`-query`	输入文件（FASTA 格式）	文件里序列别太多，建议一条记录一行
`-db`	数据库名称	第一次用记得先建索引（makeblastdb）
`-out`	输出文件名	我习惯加时间戳，避免覆盖之前的结果
`-outfmt`	输出格式（6=tabular, 5=XML）	下游分析用 tabular，人工查阅用默认
`-evalue`	期望阈值（越小越严格）	同源搜索我设 1e-5，找直系同源设 1e-10
`-num_threads`	线程数	别贪多，留一个给操作系统

blastp 的参数完全一样。唯一区别是数据库：blastp 用的是蛋白数据库（如 nr、swissprot）。

3.4 输出格式怎么选？

BLAST+ 支持 18 种输出格式。但常用的就三种：

默认格式（outfmt 0）：带比对信息的可读文本，适合人工查看。如果你就想看一眼结果，用这个。
Tabular 格式（outfmt 6）：一列一列排好，每列含义固定。我几乎所有项目都用这个——因为写脚本处理起来太方便了。
XML 格式（outfmt 5）：结构化的标记语言，适合程序解析。如果你做 pipeline 开发，用这个。

避坑指南：我曾经因为用了默认格式做批量分析，结果还要写脚本解析那堆文本…自找麻烦。后来统一改用 tabular 格式，一行一个匹配，舒服多了。

Tabular 格式的 12 列分别是：

1.  query acc.ver   — 查询序列ID
2.  subject acc.ver — 目标序列ID
3.  % identity      — 一致度
4.  alignment length — 比对长度
5.  mismatches      — 错配数
6.  gap opens       — 空隙数
7.  q.start        — 查询序列起始
8.  q.end          — 查询序列终止
9.  s.start        — 目标序列起始
10. s.end          — 目标序列终止
11. evalue         — 期望值
12. bit score      — 比特分

把这 12 列往 pandas 里一读，什么排序、筛选、统计，几分钟就能搞定。

3.5 实战：跑一次本地 BLAST

光说不练假把式。我们来跑一个完整的流程。

第一步：准备数据库

先得建索引。假设你手里有个 ref_genome.fasta 文件：

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

-dbtype nucl 表示核酸数据库。如果是蛋白，就写 prot。

第二步：写查询序列

假设我们要找一段潜在的基因编码区，建一个 query.fasta：

>my_gene_1
ATGCGTACGATCGATCGATCGATCGATCGTAGCTAGCTAGCTAGCTAGCTAGCTAGCTAG

第三步：运行 blastn

blastn -query query.fasta -db my_db -out blast_results.txt -outfmt 6 -evalue 1e-5 -num_threads 4

第四步：看结果

打开 blast_results.txt：

my_gene_1   ref_chr1    98.45   200  3  0  1  200  15000  15200  3e-50  200.5

这行信息很丰富：我们的基因比对上 1 号染色体的 15000–15200 区域，一致度 98.45%，evalue 3e-50，非常靠谱。

调试小技巧：我刚开始跑 BLAST 时，经常遇到“Database not found”错误。这是因为当前目录不对，或者数据库路径没写全。用绝对路径最保险。

3.6 把整个流程画出来

下面这张图总结了本地 BLAST 的完整工作流，从序列输入到结果解析，每一步都离不开刚才讲的内容。

这张图把流程分成了四层：输入 → 索引 → 比对 → 输出解析。每个环节都有对应命令和参数。你跟着走一遍，就基本掌握本地 BLAST 的核心了。

再强调一次：做大规模批量比对时，千万别用默认格式输出。我见过有人这样干，结果几万条结果解析到崩溃。统一用 tabular（outfmt 6）或 XML（outfmt 5），后续处理省一大半时间。

嗯，BLAST 这章就到这儿。掌握了这些，你已经能独立完成一整套本地序列比对分析。下一步就是把这些匹配结果整合到基因组注释流程里，但那又是另一课的内容了。