BLAST入门教程：序列比对与同源搜索完整指南

BLAST是一种把你的query序列与公共序列数据库做比对的算法。输出回答这些基础问题：

• 身份：”这段序列最像哪个基因？”
• 同源性：”其他物种里有相关基因（ortholog/paralog）吗？”
• 功能：”根据它的同源物，这个基因很可能有什么功能？”
• 分类：”哪个生物在进化上最接近？”

现代每一篇基因组、转录组或宏基因组文章几乎都在方法部分提到BLAST。

最常见的初学者错误：对蛋白query用blastn，或对原始DNA用blastp——结果要么零命中，要么误导。选变体前一定先确认序列类型。

两种主要方式：

• NCBI网页（blast.ncbi.nlm.nih.gov）：单条query最简单。按上表选择程序。
• 命令行 BLAST+：批量处理数千条序列。通过 sudo apt install ncbi-blast+（Linux）或 conda 安装。NGS流程或基因组尺度分析必备。

初学者建议从NCBI网页开始——界面友好，所有关键参数都清晰可见。

用FASTA格式粘贴序列（>header 后接序列行）。多条query用批量上传。关键数据库选项：

• nr/nt：最完整的非冗余库（默认，但大query较慢）
• refseq：更经筛选，适合精准注释
• swissprot：手工注释蛋白，功能注释的金标准
• Organism-specific：如果只关注某物种（如”Homo sapiens”）

专业提示：先用refseq或swissprot得到可解释的结果，需要广覆盖时再用nr。

• E-value（期望值）：随机预期出现的hit数。1e-5或更小通常被认为具有生物学意义。E-value 0.05 = 大概率假阳性。
• Bit score：归一化比对分数；越高越好，不依赖数据库大小。
• 序列一致性（Percent identity）：碱基/氨基酸完全相同的百分比。对远缘同源物，蛋白30% identity就有意义了（”twilight zone”）。
• Query coverage：query被比对到的百分比。低coverage + 高identity往往只是共享结构域，不是完整同源物。
• Word size：初始匹配的种子长度。小 = 敏感但慢，大 = 快但可能漏掉远缘同源物。
• 打分矩阵：BLOSUM62（默认、通用）、PAM、BLOSUM45（远缘）、BLOSUM80（近缘）。

NCBI BLAST结果页展示：

1. Graphic Summary：hit在query上的可视化——看比对是分布均匀还是集中在某个结构域。
2. Description Table：所有hit的E-value、score、identity、coverage列表，按最小E-value排序。
3. Alignments：每个hit的比对细节——检查mismatch、gap、功能区的保守性。
4. Taxonomy Report：hit来自的生物分布——用于识别污染或序列来源。

警示信号：E-value不错但coverage <20%的hit通常只是共享结构域，不是完整同源物。identity和coverage一定要同时报告。

BLAST只是入口，下一步通常包括：

• 提取top hits → 多序列比对（MUSCLE/MAFFT） → 进化树
• 映射到结构域数据库（Pfam、InterPro）做功能注释
• 双向BLAST确认ortholog（best reciprocal hit）
• PSI-BLAST通过谱系搜索找远缘同源物

❓ 常见问题

Q：BLAST免费吗？
A：100%免费，网页和命令行都免费。NCBI把它作为公共服务提供。

Q：为什么我的E-value是0？
A：意味着E-value极小（低于1e-180），不是真正的0。这个hit高度显著。

Q：BLAST要跑多久？
A：单条网页query 10-60秒。数千条批量：几小时到几天——用命令行BLAST+并开启多线程。