software

BLAST+ 实跑,百分之百一致的命中,为什么未必是整条序列的最佳解释

作者:发布于 2026-11-17约 12 分钟阅读
百分之百一致,还要看覆盖多少。本地人工数据库,核对片段、方向和统计背景。100% 一致,八十个碱基只覆盖查询的三分之一,一致性百分比不能替代覆盖度。25% + 25%,两个局部片段合计覆盖一半,按保留区间求并集,避免重复计数。同一得分,搜索空间改变,期望值也改变,短查询还需要匹配的任务模式。

BLAST 结果里最容易让人停下来的数字,是百分之百的一致性。但这个百分比只描述实际比对的部分,并没有自动说明覆盖了多少查询序列。一个八十个碱基的完整片段,可能百分之百一致,却只解释二百四十个碱基查询的三分之一。

本文实际安装 BLAST+ 2.17.0,在本地构造可手工核对的核酸数据库。我们分别检查一致性与覆盖度、多个局部片段、数据库大小、正反链和短查询模式,用真实输出说明怎样把一张命中表读完整。

百分之百一致,还要看覆盖多少。本地人工数据库,核对片段、方向和统计背景。100% 一致,八十个碱基只覆盖查询的三分之一,一致性百分比不能替代覆盖度。25% + 25%,两个局部片段合计覆盖一半,按保留区间求并集,避免重复计数。同一得分,搜索空间改变,期望值也改变,短查询还需要匹配的任务模式。
本地人工数据库,核对片段、方向和统计背景

先明确这是一场什么类型的搜索

本次使用核酸查询对核酸目标进行搜索。查询长二百四十个碱基,由脚本随机生成,没有真实基因、蛋白功能或分类学标签。因此,所有命中只用于解释算法和字段,不用于推断生物学功能。

本地小数据库包含三条目标。第一条保留查询的整体结构,在其中三十四个位置替换碱基,并在两端添加侧翼。第二条只是查询中间八十个碱基的精确片段。第三条保留查询开头和结尾各六十个碱基,中间加入一百个未知字符。

这样的设计能把三个问题拆开。整体相似但存在差异的目标,能否比短而完全一致的片段获得更强匹配。分开的两个局部片段如何计覆盖度。未知区域是否会被误认为已经得到解释。

NCBI 的 BLAST 帮助入口提供不同搜索模式和输出说明。实际分析前,应先确认查询与数据库的数据类型,不能只根据工具名称相同就复用另一类搜索的参数。

建库时保存原始序列与唯一名称

本例先对人工目标文件建立核酸数据库,并要求解析序列标识。

makeblastdb -in small.fa \
  -dbtype nucl -parse_seqids -out small

数据库前缀用于后续搜索,原始序列文件则保留在同一个实验记录中。不要只保存建库后的一组索引文件,却丢掉它们来自哪份原始集合、使用什么名称和何时生成。

真实项目中,序列名称最好在建库前就保证唯一。若多个条目共用同一标识,后续关联注释或提取序列时可能发生混淆,命中分数本身并不能修复这种映射问题。

数据库也应被视为分析输入的一部分,而不是可以随时替换的公共背景。今天下载的集合与几个月前的集合可能包含不同条目,即使查询和命令不变,结果也可能变化。

输出需要的字段,不要只接受默认表头

本次显式输出查询名称、目标名称、一致性、比对长度、坐标、统计量、序列长度、覆盖度和目标方向。普通六号表格格式没有自动带上这套自定义表头,因此复现包同时保存字段顺序。

blastn -task blastn \
  -query query.fa -db small \
  -word_size 7 -dust no -soft_masking false \
  -evalue 10 -max_target_seqs 1000 -num_threads 1 \
  -outfmt "6 qseqid sseqid pident length mismatch gapopen qstart qend sstart send evalue bitscore qlen slen qcovhsp qcovs sstrand" \
  -out small.tsv

这里故意采用较宽松的报告阈值,并关闭人工随机序列上的低复杂度处理,以便观察强弱片段的区别。这不是给真实数据提供一组通用推荐参数,尤其不能把关闭过滤当作提高可靠性的办法。

NCBI 常见问题说明提醒,低复杂度区域可能产生不合适的相似命中。真实序列是否需要遮蔽,应结合序列组成和研究目的判断,并记录实际设置。

宽松输出也意味着结果文件中会出现很短的弱片段。我们保存它们用于检查,但不把“被程序列出”直接等同于“满足生物学解释要求”。

一致性更高,不一定覆盖得更多

第一条整体相似目标的主要命中覆盖全部查询,一致性约为百分之八十五点八三,比特分数为二百八十。第二条精确片段一致性为百分之百,但只覆盖查询的三分之一,比特分数为一百四十五。

主要命中 一致性 查询覆盖 比特分数
整体相似目标 85.83% 100% 280
精确短片段 100% 33% 145
分段目标的一个片段 100% 25% 109

如果只按一致性降序排列,再拿第一行解释整条查询,就可能把局部完全匹配误认为完整序列的最佳说明。至少需要同时查看覆盖范围和比对长度,再判断短片段是否足以回答研究问题。

这里也不能反过来说覆盖更长的目标一定具有相同功能。我们的输入没有功能注释,现实中的功能判断还需要考虑结构域组合、关键位点、基因上下文及注释证据。

这个控制实验只证明一个读取原则,百分比必须连同分母一起看。百分之百一致的八十个位置与百分之八十五一致的二百四十个位置,提供的是不同范围的证据。

查询覆盖与目标覆盖是两个方向

整体相似目标总长三百二十个碱基,其中匹配查询的区域长二百四十。因此它的查询覆盖为百分之百,但对应目标自身的覆盖只有百分之七十五。

短片段目标正好只有八十个碱基,匹配覆盖其全部长度,所以目标覆盖为百分之百,而查询覆盖约为百分之三十三。两个方向互换后,表述会完全不同。

若研究要求两条序列在整体上互相对应,单独设定查询覆盖门槛可能不够。若研究只想寻找一段短探针所在的位置,则目标覆盖很低也未必是不合格结果,关键在于研究问题的方向。

输出字段中的查询覆盖不能自动替代目标覆盖。需要后者时,应根据相应坐标和目标长度计算,并清楚说明是否基于单个局部片段,还是多个片段的区间并集。

两个局部片段,不能只留下最高分的一行

第三条目标产生两个主要局部命中。一个覆盖查询第一至第六十个位置,另一个覆盖第一百八十一至第二百四十个位置。它们各自覆盖查询的百分之二十五,合起来覆盖百分之五十。

输出中的单个片段查询覆盖字段与按目标汇总的查询覆盖字段因此不同。本例每行的单片段覆盖为二十五,而对应目标的汇总覆盖为五十。

如果只保留每个目标最高分的一行,再根据这一行计算总覆盖,就会丢掉另一段证据。反过来,直接把所有局部片段长度相加,也可能在片段重叠时重复计数。

较可靠的做法是按查询和目标分组,将需要保留的查询坐标区间求并集,再除以查询长度。本例两段互不重叠,所以可以直接相加,但真实数据不应默认满足这一条件。

这里的中间未知区域没有获得匹配证据。两个末端命中也不能证明中间部分同样相似,更不能把分段目标整体写成与查询百分之百一致。

后处理过滤以后,覆盖度也需要重新检查

本次较宽松的结果里还包括七八个碱基的短匹配,它们有些同样显示百分之百一致,但统计支持很弱。可见一致性字段本身并没有表达“偶然短匹配的可能程度”。

若后处理按统计量或长度删除了部分局部片段,原表中的目标汇总覆盖度仍然来自当次搜索的输出语境,不一定就是过滤后剩余片段的覆盖度。需要用于最终报告的覆盖,应按实际保留的区间重新确认。

本例主要命中所构成的覆盖关系很清楚,但这一检查习惯对真实大表尤其重要。把几个筛选条件叠加后仍沿用旧的汇总列,可能导致报告中的覆盖范围与展示的片段不一致。

因此,建议保留原始命中表和筛选后的表,并在脚本中明确每个汇总统计对应哪一阶段的数据。不要把手工删除过若干行的表格仍然当成完整原生输出。

序列没有变,数据库变大后 E 值为何变了

我们在原来的三条目标之外,增加一百条各四百个碱基的随机背景序列。数据库总长度从六百二十增加到四万零六百二十,但原来三个目标的序列完全不变。

整体相似目标的主要比对仍有同样的坐标、一致性和二百八十比特分数,但其期望值从约十的负八十次方量级升到十的负七十八次方量级。短片段的相应值也约增大六十四倍。

这说明统计量不仅取决于两条序列之间的比对,还取决于搜索背景。更大的搜索空间意味着出现某种水平随机匹配的机会更多,即使同一对序列的得分保持不变。

NCBI 关于相似性统计量的说明解释了这种搜索空间关系。因此,期望值不是“功能相同的概率”,也不是可以脱离数据库单独解释的置信度。

增加一百条背景后,期望值没有简单按条目数量比例变化。序列总长度和有效搜索空间都参与统计,不能只数数据库有多少个名称,就直接换算出准确的期望值比例。

用固定搜索空间做一个更直接的控制

为了把搜索空间的影响单独观察,我们再次搜索原来的小库,分别显式设置两种有效搜索空间,后者是前者的一百倍。

# 在相同搜索命令中分别加入
-searchsp 1000000
-searchsp 100000000

整体相似目标的比特分数仍为二百八十,期望值从约二点九四乘十的负七十九次方,变成约二点九四乘十的负七十七次方。在输出精度下,恰好相差一百倍。

这个控制帮助我们确认变化来自统计背景,而不是突然改变了序列内容。显式设置搜索空间是实验手段,不是把期望值调小到满意为止的方法。

真实项目通常应让统计背景对应实际搜索设计。若因跨库比较或其他明确理由使用自定义搜索空间,应记录原因和数值,不能隐去这个参数再把结果与默认搜索直接比较。

反向坐标不是输出错误

我们又把原查询反向互补,和原始序列直接比较。输出显示查询位置从一到二百四十,目标位置从二百四十到一,目标方向为负链,匹配覆盖完整查询。

目标起点大于终点在这里完全符合反向匹配的含义。若读取程序要求起点总小于终点,就可能错误地丢掉所有反向命中。

用于区间处理时,可以先取两个坐标的较小值和较大值,但必须另外保留方向。BLAST 输出的常用坐标是一开始计数且包含两端,转换为零开始、右端不包含的区间时,需要对左端做相应调整。

例如,查询第八十一至第一百六十个位置对应零开始的八十至一百六十区间。坐标转换错误通常只偏一个位置,却足以影响后续提取和验证,尤其是短序列定位时。

短查询没有命中,不一定说明数据库没有相同序列

最后,我们从原查询中截取一段二十个碱基的序列,数据库目标仍然包含它的完全相同版本。用本次默认的高相似长序列任务模式搜索,没有输出命中。改用短核酸任务模式后,得到二十个碱基的完整匹配。

blastn -task blastn-short \
  -query short.fa -subject exact.fa \
  -dust no -evalue 10 \
  -outfmt 6 -out short_result.tsv

这里输入序列和目标没有变化,变化的是任务模式及其匹配策略。短查询可能不足以满足另一种模式的起始匹配要求,因此无结果不能直接解释成不存在相似序列。

选择模式时,应先考虑长度、预期差异和数据类型,再解释无命中。若需要检查引物,还应根据实际实验问题考虑成对位置、方向和潜在产物,不能只凭单条短序列命中就判断实验特异性。

不同任务模式还可能使用不同的评分设置,因此不应把短模式的比特分数和另一模式结果简单混排,当成一套完全一致的排名尺度。

优点、限制与交付时应留下什么

BLAST+ 的实用优势是可以在本地使用自定义数据库,并输出足够详细的比对和统计信息。本次所有结论都能回到具体坐标、片段长度和原始序列核对,而不必只接受一个最相似名称。

它的限制是相似性搜索提供的仍是匹配证据,无法自动完成可靠功能注释。短而高一致性的片段、重复区域、数据库缺漏和搜索模式不合适,都可能影响对结果的解释。

交付时应保留查询文件、数据库版本或构建来源、完整参数、字段顺序和原始命中表。若另外汇总最佳目标,还应说明排序和过滤规则,以及多个片段怎样合并覆盖度。

本次全部实验使用人工小库,不能据其耗时推算大型公开数据库的运行成本。扩大规模之前,先确认命中解释和筛选规则正确,比直接增加搜索量更有价值。

获取复现脚本

下载本组三篇复现包,在可以运行 Docker 的 Linux 环境中执行下面的入口。脚本会生成原始序列、建立两个数据库,并保存全部七组搜索结果。

python3 221-blast/run.py /tmp/blast-demo

复现时可以先查看四条主要局部命中,再检查宽松阈值产生的短片段。沿着一致性、覆盖度、方向和搜索背景逐项解释,能够避免把一个醒目的百分比当成整个分析结论。

当同样的搜索规则需要用于多批样本或定期更新的数据库时,可使用云生信生物信息学分析服务器保存版本化数据库、运行环境和完整结果。

把知识用于当前任务

下一步可以直接开始分析

按研究目标查找在线工具、课程、计算资源或完整分析服务。

按目标找方案仍有疑问,联系客服 ↗