software

IgBLAST 实跑,百分之百一致率为什么仍可能只有十三个碱基

作者:发布于 2026-11-18约 10 分钟阅读
IgBLAST1.22.0原生对照,294nt完整V和100nt截取均100%一致,随机对照13nt局部匹配也为100%,应结合覆盖长度与完整性。

拿到免疫受体注释结果后,很多人先看基因名称和一致率。一个条目有明确的基因候选,一致率还是百分之百,似乎已经足够可靠。但一致率只描述实际对齐部分的相似程度,不自动告诉我们对齐了多少内容。本次 IgBLAST 实跑中,一段随机构造的序列也出现了十三个碱基的局部满分命中,正好说明为什么不能跳过长度与完整性检查。

我们实际安装 IgBLAST 1.22.0,使用 NCBI 提供的小鼠胚系数据库,比较完整 V 参考片段、中间截取片段、反向互补片段和随机对照。程序原生运行完成并输出 AIRR 表。这个实验使用参考派生的教学输入,不是真实重排受体样本,也不是软件准确率评测,目的是把几个容易混淆的输出字段放在一起检查。

IgBLAST1.22.0原生对照,294nt完整V和100nt截取均100%一致,随机对照13nt局部匹配也为100%,应结合覆盖长度与完整性。
实际原生运行结果。三条输入由NCBI小鼠2C8 V参考派生,另有固定随机对照。没有重建完整重排受体,满分一致率不等于完整性或功能验证。

安装成功以后,还要核对三类参考信息

IgBLAST 提供核苷酸与蛋白序列分析入口,本次使用核苷酸程序。它可以查找相关胚系基因并给出结构域及连接区注释,但这些结果依赖输入序列、所选参考和辅助注释是否匹配。不能只看到命令存在,就认为任意物种和任意参考都已经配置完成。官方安装说明区分了检索数据库、内部注释与辅助文件。

检索数据库提供用来匹配的序列。内部注释帮助确定框架区等位置。辅助文件记录相关连接基因的编码框架与边界信息。三者虽然都与参考有关,作用却不同。如果自行更换基因名称或序列,却继续使用不匹配的辅助注释,可能仍然得到部分比对结果,而连接区或框架相关字段没有预期信息。

因此准备环境时,应记录物种、参考来源、软件版本和辅助文件位置。本次使用官方整理的小鼠数据库,没有下载其他来源的胚系集合。归档文件大小为二十五万六千字节,并保存完整内容摘要。后续如果同一地址提供更新内容,驱动会要求先核查版本变化,避免在没有察觉的情况下更换比较基础。

本次还安装 BLAST 2.17.0,使用其数据库读取程序取出指定参考记录。这个步骤只用于构造可解释的教学输入。IgBLAST 与数据库读取工具分别放在独立环境中,通过完整可执行文件路径调用,减少路径优先级造成的混用。实际使用不同安装方式时,应核对程序版本和参考目录,而不只检查环境名称。

四个输入怎样构造

我们从数据库取出名为 2C8 的 V 记录,长度为二百九十四个碱基。第一条查询直接使用该片段。第二条只保留其中一百个碱基,对应从零起点计数的第八十到第一百七十九位置。第三条是完整片段的反向互补。第四条按固定随机种子生成同长度序列,作为观察局部偶然匹配的对照。

这些输入没有拼接成完整重排受体,没有提供真实细胞或分子证据。尤其是第一条直接来自被搜索的数据库,得到高相似命中本来就符合设计,不能据此宣布方法识别准确。相同来源也让截取前后的比较更容易解释,因为我们知道短片段到底来自参考的哪一段。

一次原生调用分析全部四条查询,退出码为零。完整命令、输入生成步骤、原生表格和结果摘要均已保存。本文不把约一秒多的教学运行时间推广成项目处理速度,因为输入只有四条短序列,数据库也较小,没有覆盖真实组库数据的规模、复杂度及质量差异。

查询 原生 V 一致率 实际 V 对齐跨度
完整参考片段 100.000 294 个碱基
中间截取片段 100.000 100 个碱基
完整片段的反向互补 100.000 294 个碱基
随机对照 100.000 13 个碱基的局部匹配

这张表的重点是四个相同的一致率背后,证据长度完全不同。不能仅按一致率排序,然后取第一名作为可靠受体。对于随机对照,还必须看命中区间、其他注释和整体结构,不能只截取一列满分数值就得出它也具有真实受体特征的结论。

一致率、查询覆盖和参考覆盖要分开

完整片段在选定 V 参考上覆盖全部二百九十四个位置。截取片段的输出起点为八十一,终点为一百八十,闭区间长度是一百。相对于二百九十四碱基的参考,这一跨度约占百分之三十四。它的对齐部分仍然完全一致,因此一致率不会因为两端缺失而自动下降。

短片段自身的一百个碱基可以全部对齐,这意味着查询覆盖完整,但不意味着覆盖完整 V 参考。两种覆盖率的分母不同。报告若只写“覆盖百分之百”,必须补充是查询长度还是参考长度。否则一个很短的片段,会被误读成对完整受体区域具有充分支持。

对于含插入、缺失或复杂缺口的真实结果,仅用起止位置相减得到的跨度,还不能代替逐位比对质量。本例没有借此构建一个通用质量分数,只用它说明长度关系。实际过滤条件应结合比对串和研究目标确定,不能直接把本次的一百碱基或百分之三十四变成所有项目的阈值。

坐标和比对串能帮你发现解释错误

本次短片段的原生比对串为 80N100M114N。在 AIRR 约定下,前后的标记描述参考端未被这段查询覆盖的部分,中间是一百个对齐位置。它与参考坐标八十一到一百八十相互印证。不能把这里的前缀含义直接套成其他数据格式里的剪接事件,也不能把所有符号都当作查询中的缺失碱基。

AIRR 重排格式说明给出了坐标与比对串约定。读表脚本应根据具体格式处理,而不是凭以往使用另一种文件格式的习惯猜测。尤其从零起点的程序切片转成一起点闭区间输出时,需要把起点和区间长度一起核对,避免只修正一端而产生偏移。

一个实用检查是先选一条已知来源的短序列,手工确认它在参考中的位置,再核对导出表的坐标与比对串。这种检查不能证明所有输入都正确,但可以尽早发现脚本把坐标体系读错的问题。若后续要提取序列或标记突变位置,早期的一碱基偏差可能在大量结果中被系统性放大。

为什么随机序列也出现基因候选

本次随机对照给出了 V、D、J 候选,其中 V 对齐只有十三个碱基,却在这一小段里达到百分之百一致。它的查询和参考坐标都显示这是局部证据,连接区字段仍为空,生产性标记为否,并有终止相关提示。把这些字段合起来看,与“完整且有功能的受体”相距很远。

程序给出候选,表示在当前检索与报告规则下找到了可报告的匹配,不代表所有下游解释都已通过验证。短序列在大集合中出现局部相似并不奇怪。应结合匹配跨度、评分支持及结构完整性判断,而不是把非空基因列当作自动通过的认证标志。

本次并没有据一条随机序列估算假阳性率。要评价误报,需要预先设计足够的对照、清楚定义真值与判定标准,并覆盖适当的数据分布。一条对照能够反驳“百分之百一致率必然可靠”这个过强断言,却不能支撑某个总体误差比例。教学对照的结论应停在它真正验证到的范围。

多个基因候选不要擅自压成唯一答案

三条来自指定 V 参考的查询,都在结果中列出两个候选名称,其中包含原始记录名。即使完整片段也不是只出现一个名称。这提示我们,数据库内的相近或相同序列可能无法由当前证据唯一地区分。不能为了让表格整齐,就把逗号后面的候选删除,再把剩下的名称称为已经确定的唯一来源。

如果下游分析需要按基因汇总,应先明确怎样处理多候选记录。可以保留候选集合,也可以在符合研究目的时采用更粗层级的统计,但要记录规则。任何压缩都可能改变分组和数量,不能在没有说明的情况下,把存在歧义的结果变成看起来非常精确的分类。

参考库版本也影响候选集合。同一查询在不同参考集合中得到不同名称,并不一定说明测序证据发生变化。进行跨批次比较时,应保存序列、参考摘要和原始候选字段。只有这样,才能区分真实序列差异、参考更新和下游标准化方式带来的变化。

空值和否定值为什么不能互换

完整 V 片段、短片段和反向互补片段都没有得到完整连接区,生产性字段为空。它们没有被报告为生产性肯定,也不能因此统统当作经过充分判断的非生产性受体。这里的输入本来就缺少完整重排信息,空值反映的状态与明确的否定标记不同。

三条输入的终止密码子提示为否,也不意味着生产性一定为真。判断完整受体还涉及连接框架与其他必要信息。若脚本只看到“未发现终止”,就自动补上“生产性”,实际上增加了软件没有给出的结论。布尔字段、空值和未知状态应分别保留,尤其不要在表格软件里统一替换成零。

字段组合 可以做的判断 不应补写的结论
满分一致率、很短跨度 局部对齐相似 完整受体可靠
无终止提示、生产性为空 当前字段没有生产性结论 自动改成生产性为真
多个基因候选 当前证据存在歧义 任选一个当作唯一答案
反向互补标记为真 分析发生方向转换 输入必然无效

反向互补对照则说明方向标记需要参与解释。本次反向输入仍得到与正向对应的完整 V 匹配,同时方向字段变为真。后续若将位置映射回原始输入,应理解工具导出的序列方向与坐标约定。不要因为字段为真就删除记录,也不要完全忽略方向信息而把位置直接贴回另一方向的序列。

怎样复跑并把经验用到真实结果

附件驱动使用 Python 标准库,需要 Python 3.12 或更新版本以支持所用安全解包接口。安装两个固定版本工具后,提供可执行文件和参考注释目录。下面的路径需要替换为实际环境,命令中的输出目录必须尚不存在。

python run.py \
  --igblast /path/to/igblast-env/bin/igblastn \
  --blastdbcmd /path/to/blast-env/bin/blastdbcmd \
  --igdata /path/to/igblast-env/share/igblast \
  --work igblast-coverage-demo

脚本会获取指定参考快照、校验内容、生成四条输入并执行原生程序。已有参考归档时也可通过相应参数指定,避免重新下载。下载包没有附带软件或整套数据库,原始来源仍由官方提供。运行后优先查看完整输出表,再用摘要核对本文的长度、方向和缺失状态。

这次实跑最直接的经验是,把一致率放回证据长度中解释,把基因候选放回完整性信息中解释,把空值留作空值。真实项目还应结合输入质量、实验协议和适当的质量过滤,不能直接套用四条教学序列的表现。有关命令组合与蛋白入口差异,可进一步查阅官方示例。

下载五篇复跑与原创审阅练习包(ZIP)。附件按工具分别提供驱动脚本、安装或运行说明与实际核验摘要,明确区分原生分析、原生筛选组件和自编读表练习,便于逐项核对本文结果。

当这些注释检查固定下来、需要批量处理更多受体序列时,可以整理序列规模、参考版本和拟执行步骤,向云生信咨询生物分析服务器与环境支持,按实际流程安排运行环境。

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 ↗