📚 课程目录第4章 BLAST数据库构建与索引

4. BLAST 数据库构建与索引：makeblastdb 命令

做 BLAST 比对，第一步不是跑 blastn 或 blastp，而是先把你的序列数据准备好。你可能手里有一堆物种的基因组、转录本或者蛋白质序列，但 BLAST 不认识 FASTA 文件。它需要一种结构化的、能快速查找到位置的数据库格式。

这就是 makeblastdb 的活。我刚开始接触 BLAST 时，觉得这步无非就是跑个命令，结果被坑了好几次。后来才明白，数据库构建的质量直接决定了比对速度、准确性，甚至内存占用。

4.1 核心命令与参数

说白了，makeblastdb 就是把你的 FASTA 文件“编译”成一堆 BLAST 能直接读取的索引文件。命令格式很简单，但参数坑不少。

makeblastdb -in my_sequences.fasta \
            -dbtype nucl \
            -out my_database \
            -parse_seqids \
            -hash_index

我个人习惯把 -parse_seqids 和 -hash_index 都加上，虽然建库会慢一点，但后面检索时能省下大量时间。你想想看，如果序列里有特殊字符或者 ID 不是标准格式，不加 -parse_seqids 会怎样？有些比对工具会直接报错，你都不知道问题出在哪。

4.2 参数详解与避坑指南

这里我把关键参数整理成一张表，方便你对照着看。我每次建库前都会快速过一遍这张表，防止手抖写错参数。

参数	可选值	作用说明
`-in`	文件路径	输入 FASTA 文件，必须存在且格式正确
`-dbtype`	`nucl` 或 `prot`	指定数据库类型，核苷酸或蛋白质，写错会导致索引无法匹配
`-out`	数据库前缀	生成的索引文件会用这个前缀命名，不要带扩展名
`-parse_seqids`	无参数	解析 FASTA 文件中的序列 ID，让你能通过 ID 直接检索
`-hash_index`	无参数	创建哈希索引，加速按 ID 定位序列，做大型数据库时非常有用
`-mask_data`	文件路径	指定低复杂度屏蔽数据，我很少用，除非做重复区域敏感的比对
`-gi_mask`	文件路径	指定 GI 号屏蔽列表，做保守搜索时也不常用

我曾经遇到过一个问题：建库时用了 -out my_db，结果 BLAST 运行时写 -db my_db.nhr，一直报找不到数据库。为什么呢？因为 makeblastdb 生成的是一堆文件（.nhr、.nin、.nsq 等等），BLAST 只需要知道数据库前缀，不认扩展名。所以运行时 -db my_db 才对。

4.3 输入格式要求

拿什么喂给 makeblastdb？必须是标准的 FASTA 格式。但这里有几个细节容易被忽略。

序列 ID 行以 > 开头，一行内写完 ID 和可选描述。
序列行不能有空格或空行。
序列碱基只能用 A、T、C、G、N（对核酸来说），蛋白质用标准氨基酸字母。
序列可以为空？我遇到过这种奇怪的数据，makeblastdb 会跳过它但不会报错，最后比对结果莫名其妙少一条。所以建库前最好用脚本检查一下 FASTA 文件的完整性。

# 一个完整的 FASTA 示例
>seq1 Arabidopsis thaliana chromosome 1
ATCGATCGATCGATCGATCGATCGATCGATCGATCG
>seq2 Oryza sativa chromosome 2
GCTAGCTAGCTAGCTAGCTAGCTAGCTAGCTAGCTA
>seq3 empty_sequence

上面第三个序列是空的，makeblastdb 会保留它的 ID 但长度为零。做 BLAST 时它永远不会被匹配到，但会算在数据库条目里。你想想看，如果你做的是基因计数分析，空序列会怎么影响结果？

4.4 建库流程与索引工作机制

makeblastdb 建库时到底做了些什么？它生成三种核心索引文件：

# 对于一个核酸数据库，你会看到这些文件
my_database.ndb     # BLAST 数据库头文件，包含元信息
my_database.nhr     # 序列头记录索引
my_database.nin     # 序列编号索引
my_database.nog     # 序列类型和统计信息
my_database.nsd     # 序列数据段
my_database.nsi     # 序列 ID 索引（如果有 -parse_seqids）
my_database.nsq     # 序列数据本身

这个机制说白了就是提前把序列数据分割成块，并建立快速查找的“目录”。BLAST 比对时，只需要通过索引找到序列在磁盘上的位置，而不是整个读入内存。这也是大型数据库能够支撑几十万条序列的原因。

4.5 实战案例：从 NCBI 下载序列并建库

我经常做的一个操作是从 NCBI 下载物种的参考基因组，然后建成本地 BLAST 数据库。下面是一个完整流程示例。

# 1. 从 NCBI FTP 下载序列
wget ftp://ftp.ncbi.nlm.nih.gov/genomes/all/GCF/000/005/845/GCF_000005845.2_ASM584v2/GCF_000005845.2_ASM584v2_genomic.fna.gz

# 2. 解压
gunzip GCF_000005845.2_ASM584v2_genomic.fna.gz

# 3. 建库
makeblastdb -in GCF_000005845.2_ASM584v2_genomic.fna \
            -dbtype nucl \
            -out ecoli_k12 \
            -parse_seqids \
            -hash_index

# 4. 检查建库结果
ls ecoli_k12.*

建库后，你就能用 -db ecoli_k12 跑 BLAST 了。我个人习惯在建库完成后，会立刻跑一个快速测试：blastn -query test_query.fasta -db ecoli_k12 -outfmt 6 | head，确认索引没问题。如果报错，我会优先检查数据库路径和名称。

4.6 常见错误与解决方法

我帮你总结了这个阶段最常见的几个错误，以及我的解决经验。

错误：BLAST 找不到数据库 —— 运行时 -db 参数用了带扩展名的路径，比如 -db ecoli_k12.nin。实际上只需要前缀 -db ecoli_k12。
错误：序列类型不匹配 —— 写入了 -dbtype prot 但 FASTA 里是核酸序列，或反过来。BLAST 会直接退出。检查你的 FASTA 文件开头几行确认类型。
错误：内存不足 —— 大型数据库建索引时确实吃内存。我建议至少留 4GB 给 makeblastdb。如果内存实在紧张，可以不加 -hash_index，但检索 ID 时会慢很多。
错误：FASTA 文件中有非法字符 —— 比如蛋白质序列里出现了数字或空格。makeblastdb 会报类似的警告，但有些情况会默默跳过。我曾经过滤时没注意，导致建库后比对结果全错。

重要提醒： 建库前务必用序列 ID 去重、空序列过滤、序列类型统一。我遇到过两次因为 ID 重复导致数据库混乱的惨案。两个不同来源的序列用了相同 ID，BLAST 比对时无法区分，结果是你完全不知道匹配到哪个。

4.7 知识体系与核心逻辑

这一章的核心逻辑其实就一句话：把 FASTA 数据转化为 BLAST 可处理的索引结构。下面这张图帮你梳理整个过程，从原始序列到最终能用于比对的数据库文件。

我的习惯： 每次建库后，我会用 blastdbcmd -db my_database -info 查看数据库统计信息，比如总序列数、总长度、平均长度。这个命令能帮我快速确认建库是否成功，以及数据是否有明显异常（比如空序列）。如果平均长度明显偏小，我大概率知道 FASTA 文件里有短片段混入。

4.8 避坑指南：我踩过的三个坑

最后，分享三个我亲手踩过的坑，希望对你有帮助。

坑一：数据库名称包含路径时写错格式。 我曾经漏了相对路径的 ./，结果 BLAST 一直报找不到数据库，折腾了半小时才发现。所以我建议一律写绝对路径。
坑二：不同物种的序列放在同一个数据库里。 虽然可以这么做，但比对时很难区分结果来自哪个物种。我后来改成每个物种一个独立数据库，比对时通过 -db 参数拼接多个数据库，逻辑清晰很多。
坑三：建库后忘记检查序列方向。 有些 FASTA 文件里混入了反向互补序列，建库时不会报错，但比对结果会让你很困惑。我建议在建库前先用 seqkit 或 fasta_utilities 做一次质量检查。

嗯，这一章就这些内容。makeblastdb 是 BLAST 工作流的基石，建好库后，后面的比对步骤才能跑得顺。如果你在建库阶段遇到任何奇怪错误，建议先检查 FASTA 文件的格式，再做下一步排查。