4.2 BLAST 与序列相似性搜索：识别序列的身份

4.2 BLAST 与序列相似性搜索：识别序列的身份

本节摘要：BLAST 是生物信息学使用量最大的工具，回答"这段序列与库里什么相似"。本节讲局部比对的思路、E 值的统计含义、五类 BLAST 的分工，以及结果表里每个数字怎么指导判断。

序列相似意味着什么

一段未知序列的第一问永远是"你是谁"。相似性搜索的逻辑地基在 2.7 节已经铺过：演化保守的序列通常功能也保守，所以找到显著相似的已知序列，就能推断未知序列的身份与功能。BLAST（Basic Local Alignment Search Tool）1990 年问世，用启发式的局部比对把大库搜索做到了秒级，三十年后它依然是这个问题的默认答案。

局部比对与全局比对的区别是考点也是实操分岔：局部比对（BLAST、Smith-Waterman 算法）只对齐相似的区段，容忍两端差异——适合找共享结构域的远缘序列；全局比对（Needleman-Wunsch 算法，ClustalW 内核）从头到尾对齐——适合同源序列的精细比较与建树。先 BLAST 找亲戚，再全局比对看差异，是这个问题的标准两步。

E 值：结果的统计脊梁

BLAST 结果表里最重要的是 E 值（期望值）：在这么大的库里，纯靠随机能期望看到多少条与目标序列匹配得这么好的结果。E 值 0.001 的意思是"这个相似度随机出现不到千分之一"——它是匹配长度、一致性比例与库大小的综合函数。判读经验：E 值小于 1e-5 视为显著相似（论文常用阈值），1e-20 以下基本是同源实锤；E 值大于 1 则没有任何证据力，哪怕一致性百分比看着很高（短片段碰巧相似很常见）。

与 E 值配套看两个数：一致性百分比（identities）——对齐区内相同残基的占比；覆盖率（query coverage）——查询序列有多大比例参与了对齐。高一致性加高覆盖率是强同源；高一致性但覆盖率低，往往只是共享了一个结构域；覆盖率好但一致性只有三成，可能是远缘同源（蛋白比对里这仍有意义，核酸比对里要警惕）。蛋白比对用 blastp，核酸对蛋白用 blastx——未知转录本先翻译成蛋白再搜，因为蛋白比对能穿越更多的演化时间。

动手跑一次完整查询

以"新测序菌株的一段 16S 序列"为例：

# 远程版（网页 NCBI 的镜像库，小查询够用）
blastn -query 16s_unknown.fasta -db nt -remote \
    -outfmt "6 qseqid sseqid pident length evalue stitle" \
    -max_target_seqs 10 -evalue 1e-5
# 输出为制表符分隔：查询名、命中名、一致性%、对齐长度、E 值、物种描述
# 示例：16s_01  NR_042112.1  99.5  1421  0.0  Bacillus subtilis strain XY-1

# 本地库（大查询、重复查询建本地索引更快）
makeblastdb -in my_genomes.fa -dbtype nucl -out local_genomes
blastn -query batch16s.fasta -db local_genomes -num_threads 8 \
    -outfmt 6 -out hits.tsv
​

判读这次示例结果：99.5% 的一致性配 0.0 的 E 值，覆盖几乎全长——鉴定为枯草芽孢杆菌近缘株，置信度足够写进论文。若第二名的 E 值与第一名接近但物种不同，说明查询落在属级保守区，鉴定就只能报到属——引物设计在最可变区才能把种分开，就是这个道理。

家族比对：ClustalW 与多序列对齐

单序列问身份，一组序列问关系。多序列比对（MSA）把同源序列排成列，列上保守的位点提示功能约束——催化残基所在列在所有序列里几乎不变。ClustalW 是教学经典（渐进式比对：先两两建距离树，再按树序逐步对齐），如今更常用的 MAFFT 与 MUSCLE 在大序列量下又快又准。MSA 的两个后继用途：剪掉低质量列（trimAl）后喂给建树软件（2.7 节的演化树）；在比对上标注催化位点与结构域，用于发表图。注意 MSA 的质量对下游极敏感：一条错序列会把整列拉歪，先查再排是纪律。

什么时候不用 BLAST

BLAST 的启发式在两种场景下要换武器。第一种是短序列（短于 30 bp 的引物、sgRNA、miRNA）：启发式种子不够长，漏检严重——直接用精确匹配工具（bowtie 短读模式或单纯的字符串搜索）。第二种是海量查询（百万条读长的分类）：BLAST 单条逐搜太慢，改用 Kraken2（k-mer 分类）或 MMseqs2（快速相似性搜索）这类面向通量的工具。BLAST 依然是单条或批量少条查询的王者，但要清楚它是"相似性搜索"这个工具箱里的一员而非全部。

一组真实命中的判读演练

把判读规则落在几行模拟输出上。假设查询是一段未知的转录本序列，blastx 对蛋白库的前三行命中如下：命中一，一致性 41%、覆盖率 92%、E 值 3e-42；命中二，一致性 88%、覆盖率 18%、E 值 1e-15；命中三，一致性 30%、覆盖率 95%、E 值 0.002。判读：命中一跨越长区段、E 值极小，是可靠的远缘同源——蛋白层面的四成一致性已经足够支撑同源与功能推断；命中二一致性很高但只覆盖一小段，判为共享结构域的半截命中，不能据此认亲；命中三覆盖率虽好，但 E 值贴地、一致性三成，属于"有嫌疑但证据不足"，标记待查而不是下结论。这三行的组合判读方式，比背任何阈值表都更能防误判。

远缘同源还有一招加成：把多条候选同源序列做多序列比对后重查保守性——真同源会在关键催化残基上保持一致，假的相似在保守位点上露馅。相似性搜索回答"像不像"，比对上的保守模式回答"是不是真亲戚"，两步连用是这个问题的完整答案。

💡 关键直觉：E 值回答的是"这个相似是不是巧合"，覆盖率回答的是"相似有多大范围"。两个指标合起来读，才不会被一条高一致性、低覆盖的半截命中骗去认亲。

序列的身份问题解决了，下一节给整个领域的"粮仓"画张地图：数据与知识都存在哪些公共库。