📚 课程目录第2章 BLAST输出格式解析

2. BLAST 输出格式解析：tabular、XML、pairwise

BLAST跑完之后，输出文件长什么样？很多人上来就盯着屏幕看那个带空格的配对结果，其实这不太够。我个人习惯第一步先检查“-outfmt”参数，这个参数决定了你拿到的是哪种数据。不同的格式，解析成本、信息密度、可读性，完全不一样。

今天咱们就把BLAST最常用的三种输出格式扒开看看：tabular（表格）、XML（可扩展标记语言）、pairwise（成对比对）。我会拿项目中踩过的坑跟你说说，哪种场景用哪个，怎么读，怎么解析。

为什么会先讲这个？因为格式选错，后续可视化全是白费功夫。你想想看，如果后续要批量统计比对长度、相似度分布，pairwise格式你要一行行字符串匹配，解析到哭。而tabular，一行代码就能搞定。

2.1 三种格式的对比总览

先给你一张表，快速建立起印象。以后选格式可以直接翻回来对照。

格式	参数值	主要用途	信息密度	解析难度
tabular	6 或 7（带注释）	批量统计、数据分析	高（每行一条HSP）	极低（制表符分隔）
XML	5	程序间交换、持久化	最高（含所有元数据）	中（需XML解析器）
pairwise	0（默认）	人工阅读、汇报展示	低（大量空格排版）	高（文本结构不固定）

嗯，这里要注意。表格里的参数值是-outfmt后面的数字。BLAST支持的值远不止这几个，但咱们课程核心是可视化评估，所以只聚焦这三种最常见的格式。

2.2 tabular格式：数据分析者的首选

说白了，tabular格式就是一张二维表。每一行代表一条HSP（高分配对片段），每一列是固定的字段。默认输出12列，你可以用-outfmt "6 qseqid sseqid pident length mismatch gapopen qstart qend sstart send evalue bitscore"来指定顺序。

我之前做过一个项目，要处理10万条BLAST结果。如果全用pairwise格式，光解析就要花几个小时。换成tabular + pandas读取，几秒钟加载完，后续统计、筛选、绘图一气呵成。那种感觉，真的很爽。

我们来看一下tabular输出的真实样子：

query_001    seq_A    98.5    150    2    1    1    150    10    159    1e-45    189.0
query_001    seq_B    85.2    120    18    0    1    120    5    124    1e-20    95.3
query_002    seq_C    76.3    90    21    2    1    90    30    119    1e-10    65.2

看到没？制表符分隔，非常干净。列含义分别是：查询ID、目标ID、百分比一致度、比对长度、错配数、空位数、查询起始、查询结束、目标起始、目标结束、E值、比特分。

我的建议： 如果要在脚本或管道中批量处理BLAST结果，永远优先用tabular格式。它能让你的数据处理代码减少80%的边界条件处理。

2.3 XML格式：程序交换的“黄金标准”

XML格式可能看起来啰嗦，但它有一个巨大的优势——标准化。你不需要猜测字段位置，任何支持XML解析的语言都能准确读取。而且，它保留了比tabular更丰富的元信息，比如具体匹配的碱基序列、算法参数、版本号等。

我最初用Python解析BLAST XML时也踩过一些坑，主要是命名空间的问题。后来我固定用Bio.SearchIO模块，省了不少心。如果你不想引入Biopython，也可以用xml.etree.ElementTree自己解析，不过要多写一些代码。

下面是一个简化的XML结构片段，你可以感受一下：

<?xml version="1.0"?>
<!DOCTYPE BlastOutput PUBLIC "-//NCBI//NCBI BlastOutput/EN"
  "http://www.ncbi.nlm.nih.gov/dtd/NCBI_BlastOutput.dtd">
<BlastOutput>
  <BlastOutput_program>blastn</BlastOutput_program>
  <BlastOutput_db>nt</BlastOutput_db>
  <BlastOutput_iterations>
    <Iteration>
      <Iteration_query-def>query_001</Iteration_query-def>
      <Iteration_hits>
        <Hit>
          <Hit_def>seq_A</Hit_def>
          <Hit_hsps>
            <Hsp>
              <Hsp_bit-score>189.0</Hsp_bit-score>
              <Hsp_expect>1e-45</Hsp_expect>
              <Hsp_identity>148</Hsp_identity>
              <Hsp_align-len>150</Hsp_align-len>
            </Hsp>
          </Hit_hsps>
        </Hit>
      </Iteration_hits>
    </Iteration>
  </BlastOutput_iterations>
</BlastOutput>

我曾经过的坑： 千万不要手写正则去解析XML。数据量一大，你根本看不清边界条件。用现成的解析库是唯一的正确做法。

2.4 pairwise格式：人工阅读的友好界面

pairwise格式就是你在BLAST网页上看到的那种，带空位标记、序列对齐、星号表示匹配的那种文本。它非常直观，一眼就能看出哪里匹配、哪里错配、哪里有空位。但说实话，做数据分析它是最糟糕的格式。

你想想看，要从中提取“相似度”“比对长度”这些指标，你得用正则去匹配Identities = 148/150 (99%)这种字符串。而且，它的排版依赖于固定宽度字体，稍微一换环境就可能对不齐。

我建议在写论文或做汇报时，还是会保留pairwise输出，尤其是要展示具体的比对区域时。一对多的时候，pairwise的可读性无可替代。

下面是pairwise格式的一个典型片段：

Query= query_001
          Length=150

> seq_A
          Length=200

 Score = 189 bits (102), Expect = 1e-45
 Identities = 148/150 (99%)
 Gaps = 0/150 (0%)
 Strand=Plus/Plus

Query  1  ATGCGTACGTTAGCTAGCTGATCGATCGATCGATC... 150
          ||||||||||||||||||||||||||||||||||||
Sbjct  10 ATGCGTACGTTAGCTAGCTGATCGATCGATCGATC... 159

    如果非要用pairwise做自动化解析， 我的经验是，先写一个健壮的正则，匹配Identities、Gaps、Score、Expect这四行。然后忽略那些带星号的比对行，因为你已经拿到了结构化数据。

2.5 格式选择的流程图

下面这张SVG图，我把三种格式的选择逻辑和核心特征画了出来。你可以把这个图贴在手边，以后选格式时瞄一眼就好。

2.6 实战选择策略

看完上面这张图，你应该能根据场景快速判断用哪种格式了。我再帮你梳理几个实战中的核心策略：

写脚本跑批量任务：无脑选tabular。配合pandas或numpy，数据处理效率碾压。
构建数据分析管道：优先XML。虽然文件体积大一点，但数据完整，易于长期维护。
给老板汇报结果：pairwise可以准备几份，再配合tabular的可视化图表。两种格式互补，效果最好。

一个小技巧： 如果你不确定以后要用什么格式，可以同时输出tabular和XML。BLAST命令可以指定多个-outfmt参数吗？不能。但你可以跑两次，分别保存。或者用blast_formatter工具在结果生成后转换格式。我一般在第一次跑的时候都用XML保存，因为它是信息熵最高的格式，后续可以无损转换成其他格式。

好了，今天就到这里。记住，格式选对，后续的工作量至少减半。下一章我们会直接上手，拿真实的BLAST结果文件，用Python代码把tabular和XML读进来、筛出来、画出来。今天的内容你消化了吗？找个BLAST结果文件，用命令行分别指定三种格式跑一下，对比看看信息差异，印象会更深刻。