1. BLAST概述：算法原理、发展历程、应用场景

BLAST，全称 Basic Local Alignment Search Tool，说白了就是"基本局部比对搜索工具"。如果你做过序列分析，大概率跟它打过交道。我记得刚入行做基因组注释那会儿，第一次跑 BLAST 比对，对着满屏的表格一头雾水，搞不清哪些结果是真同源、哪些是假阳性。后来踩了不少坑，才算真正理解了它背后的设计逻辑。

这一章咱们就把 BLAST 的来龙去脉讲清楚。不绕弯子，直接讲它怎么工作的、经历过哪些演变、能用来干什么。

1.1 算法原理：种子-延伸策略

BLAST 的核心思路其实很简单——它不做全局比对，只找局部相似片段。你想想看，两条序列可能在整体上差异很大，但某个功能区高度保守。BLAST 就是专门抓这种局部信号的。

它的算法可以概括为三个步骤：

1. 切分种子：把查询序列切成固定长度的短片段，称为"种子"（seed）或"词"（word）。
2. 扫描数据库：用这些种子去数据库里快速匹配，找到所有能对上的位置。
3. 延伸与评估：在匹配位置向两侧延伸，计算得分，筛选出统计显著的比对区域。

这套策略叫"种子-延伸"（seed-and-extend）。它的巧妙之处在于：先用小片段快速过滤掉大部分不相关区域，再对少数候选位置做精细比对。我在项目中遇到过因为数据库太大、直接用 Smith-Waterman 跑了一周都没出结果的情况，换成 BLAST 只用了几分钟——速度差距就是这么夸张。

关键参数有几个：

• word size：种子长度。核酸比对默认 11，蛋白默认 3。值越大速度越快，但灵敏度下降。
• evalue：期望阈值，控制比对的统计显著性。越小越严格。
• scoring matrix：打分矩阵（如 BLOSUM62、PAM250），用于计算延伸时的匹配得分。

下面这张图把 BLAST 的核心流程串起来了：

1.2 发展历程：从动态规划到启发式搜索

BLAST 不是凭空冒出来的。在它之前，序列比对领域已经有几波重要的技术积累。

1981 年，Smith 和 Waterman 提出了基于动态规划的局部比对算法。结果很准，但计算量太大，当时一条几百 bp 的序列就要跑好几分钟。

1985 年，Pearson 和 Lipman 搞出了 FASTA，首次引入了"找短匹配再延伸"的思路，速度明显提升。但处理大规模数据库还是吃力。

1990 年，Altschul 等人发布了 BLAST 1.0，把种子-延伸策略做得更极致，同时引入了严格的统计评估体系。我记得当时这篇 NCBI 的技术报告出来后，整个生物信息学圈都轰动了——以前要跑几个小时的任务，现在几十秒就能搞定。

1997 年，BLAST 2.0 上线，支持空位比对（gapped alignment），解决了之前不能处理插入缺失的问题。

2009 年，NCBI 推出了 BLAST+ 工具集，重构了命令行接口，把核心算法和功能模块拆得更清晰。到现在，我们日常用的 blastn、blastp 等都是基于这套架构。

BLAST 发展里程碑

年份	里程碑	贡献者/机构
1981	Smith-Waterman 局部比对算法	Smith & Waterman
1985	FASTA 快速比对算法	Pearson & Lipman
1990	BLAST 1.0 发布	Altschul et al. (NCBI)
1997	BLAST 2.0（支持空位比对）	Altschul et al. (NCBI)
2009	BLAST+ 工具集（重构版）	NCBI

你发现没有？整个演变过程都围绕一个核心矛盾：速度 vs 灵敏度。BLAST 之所以能流行三十年，就是因为它在这两者之间找到了大多数人都能接受的那个平衡点。

1.3 BLAST 家族：五种工具的适用场景

很多人以为 BLAST 就一个命令。其实不然，NCBI 根据查询序列和数据库的类型，分了五个工具。选错工具是新手最容易犯的错误之一。

BLAST 五虎将

工具	查询序列	目标数据库	典型用途
blastn	核酸	核酸	基因鉴定、物种注释
blastp	蛋白质	蛋白质	蛋白功能注释、同源搜索
blastx	核酸（翻译为蛋白）	蛋白质	预测编码区、跨物种对比
tblastn	蛋白质	核酸（翻译为蛋白）	在基因组中找蛋白同源序列
tblastx	核酸（翻译为蛋白）	核酸（翻译为蛋白）	远缘物种间的核酸比对

我做项目时最常用的是 blastn 和 blastp。有一次做宏基因组物种注释，用 blastn 比对 16S 序列，默认参数跑出来一堆低分匹配，后来换用 blastx 把核酸翻译成蛋白再比对，才找到真正的同源基因。所以选对工具很关键。

1.4 应用场景：BLAST 能解决哪些实际问题？

BLAST 的应用范围比大多数人想象的要广。除了最基础的序列比对，它在实际项目中至少有以下几个方向的用途：

• 序列注释：把新测序的基因或蛋白序列丢进 BLAST，靠已知数据库的功能标注推断其生物学角色。
• 物种鉴定：用 16S 或 COI 等条形码序列比对，确定微生物或动物的物种归属。
• 引物/探针特异性验证：把候选引物序列拿去 BLAST 一遍，看它会不会非特异扩增到其他区域。
• 同源基因挖掘：在模式生物中找到目标基因，用 tblastn 去另一物种的基因组里找直系同源。
• 污染检测：把组装好的序列片段拿去 BLAST，看看有没有混入其他物种的 DNA。

下面是一个典型的 blastn 命令行示例，我平时做快速比对就用这个模板：

blastn -query sample.fasta -db nt -out result.tsv \
       -outfmt "6 qseqid sseqid pident length evalue" \
       -evalue 1e-5 -num_threads 8 -max_target_seqs 10

BLAST 虽然已经问世三十多年，但它依然是当今生物信息学中调用频率最高的工具之一。理解了它的原理和适用场景，你就能在项目里少走很多弯路。