BLAST專業(yè)技術文檔

1、BLAST+的分析流程摘要本文簡單的介紹了一下序列比對工具BLAST+。這個工具主要分三個部分搜索，數(shù)據(jù)庫，序列篩 選。有多個應用，本文主要針對blastn和blastp還有makeblastdb常用功能進行簡要介紹。因為 BLAST+雖然機制是BLAST,但卻是從頭寫的，可被C和C+直接調(diào)用，效率更高，性能更好。本 文用了酵母細胞色素c基因作為query,酵母基因組數(shù)據(jù)庫作為database,進行簡要功能的測試, 常用參數(shù)及結果文件的解釋。個別program及參數(shù)的使用方式請參見-help。目錄摘要1目錄11. 文檔目的12. 適用范圍23. 概述23.1BLAST 簡介 23.2BLAST

2、+ 應用 24. 業(yè)務流程及細節(jié)34.1數(shù)據(jù)34.2使用的方法或解決辦法44.2.1方法的簡單介紹4 4.2.2方法的常見參數(shù)以及默認值54.2.3備注94.3結果解釋105. 實例126. 參考內(nèi)容121文檔目的BLAST是NCBI基本局部比對工具，發(fā)現(xiàn)序列之間的局部相似性，這個程序將核酸或者蛋白序 列與序列數(shù)據(jù)庫進行比較，汁算匹配的統(tǒng)計值。BLAST用于功能推斷和序列間進化關系以及幫助鑒別基因家族成員。BLAST+與BLAST相比，有很多改進和提髙.NCBI強烈推薦放棄BLAST,使用BLAST+,本文主要 學習和介紹BLAST+的用法。本文主要討論本地化的BLAST+:適用系統(tǒng)：Wind

3、ows, MacOSX Linux/Unixo輸入的數(shù)據(jù)格式有很多種:以 makeblastdb 為例有，String, asnlbin,、asnl_txt： blastdb： fasta1, 具體程序輸入文件類型可參照如：blasn -help的方式查看。該軟件適用系統(tǒng)：Windows, Mac OS X, Linux, and Solaris。3.1BLAST 簡介BLAST （Basic Local Alignment Search Tool）是一套在蛋白質(zhì)數(shù)據(jù)庫或DNA數(shù)據(jù)庫中進行相似性比較 的分析工具。BLAST程序能迅速與公開數(shù)據(jù)庫進行相似性序列比較。BLAST結果中的得分是對一

4、種對相似性的統(tǒng)計說明。BLAST采用一種局部的算法獲得兩個序列中具有相似性的序列。/Class/BLAST/blast_course.short.html3.2BLAST+ 應用BLAST+package有三個分類1）search tools搜索工具*blastn：核酸核酸比對（queryDB）*blastp：蛋白蛋白比對（queryDB）*blastx：核酸蛋白比對（query-DB）*tblastx：核酸-核酸比對（query-DB）核酸序列到核酸庫中的一種查詢。此種查詢將庫 中的核酸序列和所查的核酸序列都翻譯成蛋白（每條核酸序列會產(chǎn)生6

5、條可能的蛋白 序列），這樣每次比對會產(chǎn)生36種比對陣列。*tblastn：蛋白核酸比對（query-DB）*psiblast：敏感度更高的蛋白序列與蛋白序列之間的比對*rpsblast*rpsblast n2) BLAST database tools數(shù)據(jù)庫工具*makeblastdb：根據(jù)fasta文件建立數(shù)據(jù)庫*blastdb_aliastool: 生成GI列表的二進制文件，可以傳遞給blast+的gilist參數(shù)，用來 限定比對到db中的序列。*makeprofiledb*blastdbcmd：相當于以前的fastacmd,用來從格式化好的blast數(shù)據(jù)庫中取序列(blastdbcmd

6、-db refseqna -entry 224071016 )3) sequence filtering tools-序列篩選工具4.業(yè)務流程及細節(jié)41數(shù)據(jù)常用為NCBI規(guī)范的fasta格式的序列文件，以、開頭為一條序列：如下所示：gi| 330443743:447439-448368 Saccharomyces cerevisiae S288c chromosome XV, complete sequeneeATGTTTTCAAATCTATCTAAACGTTGGGCTCAAAGGACCCTCTCGAAAAGTTTCTACTCTACCGCAACAGGTGCTG CTAGTAAATCTGGCAA

7、GCTTACTCAAAAGCTCGTTACAGCGGGTGTTGCTGCCGCCGGTATCACCGCATCGACTT TACTCTATGCAGACTCCTTAACTGCCGAAGCTATGACCGCAGCTGAACACGGATTGCACGCCCCAGCATATGCTTG GTCCCACAATGGGCCTTTTGAAACATTTGATCATGCATCCATTAGAAGAGGTTACCAGGTTTACCGTGAAGTTTGT GCCGCCTGCCATTCTCTTGACAGAGTTGCTTGGAGAACTTTGGTTGGTGTTTCTCATACCAACGAAGAGGTTCGT AATATGGCCG

8、AAGAATTTGAATACGATGACGAACCTGATGAACAAGGTAACCCTAAAAAGAGACCAGGTAAGTTGTCCGATTACATCCCTGGCCCA7ACCCAAACGAACAGGCTGCAAGAGCTGCCAATCAAGGTGCCTTGCCACCTGA TCTATCTTTGATCGTGAAAGCTAGACACGGTGGTTGTGACTACATTTTCTCTTTGTTGACCGGTTATCCTGATGAAC CTCCTGCTGGTGTGGCTTTACCACCAGGTTCTAATTATAACCCTTACTTCCCAGGTGGTTCCATTGCAATGGCAAG AGTCT

9、TGTTTGATGACATGGTTGAGTACGAAGATGGTACCCCCGCAACGACATCTCAAATGGCAAAGGACGTTAC CACCTTTTTAAACTGGTGTGCCGAACCTGAACATGACGAAAGAAAGAGATTGGGTTTGAAAACGGTGATAATCTT ATCATCTTTGTATTTGCTATCTATCTGGGTGAAGAAGTTCAAATGGGCCGGTATCAAAACCAGAAAATTCGTTTTCA ATCCACCAAAACCAAGAAAGTAG4.2使用的方法或解決辦法4.2.1方法的簡單介紹1、安裝 BLAST+Windows：卜載如：ncbi

10、-blast-2.2.18+.exe雙擊。RedHat Linux：下載合適的*.rpm,然后就可以安裝或更新Install：rpm -ivh ncbi-blast-2.2.18-l.x86_64.rpmUpgrade:rpm -Uvh ncbi-blast-2.2.18-l.x86_64.rpOther Unix platforms：下載tarball并解壓到指立目錄。2、下載 BLAST database(1) 卜載多個數(shù)據(jù)庫 tar files： (htgs.OO.tar.gz, : htgs.N.tar.gz)/update_blastdb.pl htgs(2) ftp 卜載 ftp:

11、//blast/db/ 這些數(shù)據(jù)庫是已經(jīng)預先進行過 makeblastdb 命 令的，下載后可以直接使用。大的數(shù)據(jù)庫通常分為多個壓縮包，例如nr庫有M個壓縮包。所有的相關壓縮包 都要下載，解壓。解壓縮會生成對應的庫文件，同時生成一個nr.pal文件。檢索nr庫 時輸入d nr即可。有些數(shù)據(jù)庫是大數(shù)據(jù)庫的子集，使用這些子集數(shù)拯庫時，必須同時下載其(相同日期 的)大數(shù)據(jù)庫。有些BLAST數(shù)據(jù)庫沒有提供預先建庫的文件，這些數(shù)據(jù)庫可以從FASTA文件夾里下載* 卜載基因組 BLAST 數(shù)據(jù)庫 /genomes/blast/db/

12、目錄下部分內(nèi)容說明:數(shù)據(jù)庫名稱數(shù)據(jù)庫內(nèi)容+File Name ContentDescription+/FASTAenv_nr *tar gzenv_nt *tar gzI存放FASTA格式序列的子文件夾I環(huán)境蛋白序列I環(huán)境核昔酸序列est *tar gz est_human. tar gz gss *tar gz htgs *tar gz1 EST數(shù)據(jù)庫alias and mask files for human subset of the est1 GSS數(shù)據(jù)庫1 htgs數(shù)據(jù)庫human_genomic. *tar. gz ,人類染色體的RefSeq參考序列nr. *tar gznt. *

13、 tar gz1非冗余的蛋tl數(shù)據(jù)庫nr1核昔酸數(shù)據(jù)庫ntother_genomic. *tar. gz人類以外的其他生物染色體的RefSeq參考序列pataa *tar gz patnt *tar gz pdbaa *tar gz pdbnt *tar gz1專利蛋tl數(shù)據(jù)庫1專利核昔酸數(shù)據(jù)庫1源pdb蛋白結構數(shù)據(jù)庫的蛋白序列，其根數(shù)據(jù)庫“1源pdb核昔酸結構數(shù)據(jù)庫的核昔酸序列，根數(shù)據(jù)庫ntrefseq_genomic. *tar. gz | 基因組參考序列 refseqprotein. *tar. gz | 蛋白參考序列refseq_rna *tar gz sts *tar gz swis

14、sprot tar gz taxdb tar gz wgs *tar gz1轉錄本參考序列1 STS數(shù)據(jù)庫1蛋tl數(shù)據(jù)庫子集，其根數(shù)據(jù)庫為m;1分類學信息Wgs數(shù)據(jù)庫+-3、BLAST SEARCHProgramTask NameDescriptionblastpblastp蛋白query和蛋白數(shù)據(jù)庫的比對blastp-short優(yōu)化査詢：短于30個殘基blastnblastn完全匹配的傳統(tǒng)blastnblastn-short優(yōu)化查詢：短于50個堿基megablast查找十分相似的序列（如物種內(nèi)部或相關的物種間）dc-megablast查找距離比較遠的序列（如物種間）4.2.2方法的常見參數(shù)以

15、及默認值1、格式化數(shù)據(jù)庫命令：makeblastdb -in db.fasta -dbtype prot parse_seqids -out dbname 參數(shù)：-in：待格式化的序列文件-dbtype：數(shù)據(jù)庫類型，prot或nuclparse_seqids：自動解讀 seqid-out：數(shù)據(jù)庫名Option：* Input optionsin vFile_ln Default =-input_type Default = fasta* Configuration options-title 數(shù)據(jù)庫標題 Default=輸入文件名parse_seqids自動解讀 seqid-hashjndex

16、創(chuàng)建序列hash值* Sequence masking options-mask_data 以逗號分割的包含掩碼數(shù)據(jù)的輸入文件(eg dustmasker, segmasker,windowmasker)-gi_mask 創(chuàng)建 Gl 為 index 的掩碼文件未 Requires: parse_seqids-gi_mask_name 以逗號分割的掩碼輸出文件* Requires: mask_data, gi_mask* Output options-out 創(chuàng)建的數(shù)據(jù)庫名稱Default =輸入文件統(tǒng)max_file-sz 創(chuàng)建的數(shù)據(jù)庫文件最大容量Default = 1GB* Taxonomy

17、 options-taxid vlntegec =0分類號 * Incompatible with: taxid_map-taxid_map 將文件序列 IDs map 到 taxonomy IDs.Format: vnewline不兼容：taxidlogfile 日志文件2、蛋白序列比對蛋白數(shù)據(jù)庫命令：blastp -query seq.fasta -out seq.blast db dbname -outfmt 6 evalue le-5 um_dGScriptions 10num_threads 8參數(shù)：-query：輸入文件路徑及文件名-out：輸出文件路徑及文件名-db：格式化了的數(shù)

18、據(jù)庫路徑及數(shù)據(jù)庫名-outfmt：輸出文件格式，總共有12種格式,6是tabular格式對應BLAST的m8格式-evalue：設置輸出結果的e-value值-num_descriptions： tabular格式輸出結果的條數(shù)num_threads：線程數(shù)Blast結果m8格式意義進行Blast比對，用參數(shù)8可以以列表的方式輸出結果，結果中從左到右每一列的02 % identity06 q. start10 e-value03 alignment length07 q. end11 bit score意義分別是：00 Query id04 mismatches08 s. start01 Su

19、bject id 05 gap openings09 s. endOptions by program type：-task task_name：指定要執(zhí)行的任務 blastp. blastp-short, deltablast -comp_based_stats compo：選擇適合的組合統(tǒng)計模型（只用于 blastp 和 tblastn ）D or d: default （equivalent to 2 ）0 or F or f: No composition-based statistics1: Composition-based statistics as in NAR 29:2994

20、-3005, 20012 or T or t : Composition-based score adjustment as in Bioinformatics21:902-911/2005/ conditioned on sequenee properties3: Composition-based score adjustme nt as in Bioinformatics 21:902-911,2005, unconditionally-use_sw_tback：是否使用局部最優(yōu)算法-SmithWaterman算法3、核酸序列比對核酸數(shù)據(jù)庫命令：blastn query seq.fast

21、a -out seq.blast db dbname -outfmt 6 evalue le-5 num_descriptions 10num_threads 8參數(shù)：-query：輸入文件路徑及文件名-out：輸岀文件路徑及文件名-db:格式化了的數(shù)據(jù)庫路徑及數(shù)據(jù)庫名-outfmt：輸出文件格式，總共有12種格式，6是tabular格式對應BLAST的m8格式-evalue：設置輸出結果的e-value值-num_descriptions： tabular格式輸出結果的條數(shù)num_threads：線程數(shù)Options by program type：-task task_name：指定要執(zhí)行

22、的任務 blastn, blastn-short, megablastt dc-megablast rmblastn-penalty penalty：罰分，一個核酸不匹配時的罰分Integer, -reward reward）：獎分，核酸匹配的得分=0-usejndex boolean:使用 megablast 數(shù)據(jù)庫索引-index_name string:megablast 數(shù)據(jù)庫索引名稱-perc_identity float_value:Minimum percent identity of matches to report -dust DUST_options:DUST 過濾算法,

23、用no來禁用 -filtering_db filtering_database:l含過濾元素的數(shù)據(jù)庫的名稱-window_masker_taxid window_masker_taxid:experimental-window_masker_db window_masker_db:experimental-no _greedy):使用非貪婪動態(tài)編程擴展卜min_raw_gapped_score int_value：MzJx gap 得分vlnteger-template_type type:不連接的 megablast 模板類型templatejength:不連接的 megablast 模板長

24、度-off_diagonal_range int_value:Maxinium number of diagonals separating two hits used to initiatean extension. Increasing values of this parameter lead to a longer run time, but more sensitiveresults .If this parameter is set, a value of five is suggested. Only discontiguous megablast usestwo hits by

25、 defaultc 如果設置該參數(shù)，設為 5。=04、核酸序列比對蛋白數(shù)據(jù)庫命令：blastx -query seq.fasta -out seq.blast db dbname -outfmt 6 evalue le-5 num_descriptions 10 num_threads 8參數(shù)：-query：輸入文件路徑及文件名vdefault=_-out：輸出文件路徑及文件名-db:格式化了的數(shù)據(jù)庫路徑及數(shù)據(jù)庫名-outfmt：輸出文件格式，總共有12種格式,6是tabular格式對應BLAST的m8格式-evalue：設置輸出結果的e-value值-num_descriptions： ta

26、bular格式輸出結果的條數(shù)num_threads：線程數(shù)Options by program type：-query_gencode int_value)：用遺傳密碼來翻譯 vdefault=l-maxJntronJength length)：允許的最大的 intron 長度 Common options for 2&3&4* Input query options-query 輸入文件 Default =queryjoc 在序列上的位置(Format: start-stop)* General search optionsdb -out 輸出文件Default =-evalue E 值 D

27、efault = 101-word_size =2 wordfinder 算法字節(jié)大小gapopen vlntegerCost to open a gapgapextend vlnteger Cost to extend a gap-matrix 打分矩陣的名字(normally BLOSUM62)-threshold =0使得word能添加到BLAST查找表的最低分數(shù)* Formatting optionsoutfmt alignment view options:0 = pairwise,1 = query-anchored showing identities,2 = query-anc

28、hored no identities,3 = flat query-anchored, show iden廿ties,4 = flat query-anchored, no identities,5 = XML Blast output,6 = tabular;7 = tabular with comment linesz8 = Text ASN.l,9 = Binary ASN.l,10 = Comma-separated values,11 = BLAST archive format (ASN.l)Default = O-show_gis 是否顯示 NCBI Gls-num_descr

29、iptions =0顯示描述的數(shù)目，不適用于4Default = 500* 不兼容： max_targGt_seqs-num_alignments =0 顯示匹配的序列數(shù)Default = 2501穴不 兼容： max_target_seqs-html 是否生成 HTML output?4.2.3備注BLAST與BLAST+之間的差異：BLAST+使用了 BLAST的核心算法，延續(xù)了 BLAST的優(yōu)勢功能，發(fā)展并增強了如BLAST的 fastacmd 程序，新增 了 如 update_blastdb.pl 等程序一模塊化：三個過程：setup, scanning trace-back-ISO

30、C99標準，可被c或C+使用-Database mask：之前的版本需要第三方軟件如RepeatMasker來mask數(shù)據(jù)庫，c現(xiàn)在內(nèi) 置了 WindowMasker和DUST來進行重復序列過濾。-(吏 用 Query split, Partial subject sequence retrieval 以及 Retrieving subject sequences from an arbitrary source等策略來提高長序列(如染色體序列)的比對效率，有效的降低了CPU時間，充分使用了一、二級緩存。-全新的命令行參數(shù)使用方式，添加了長字符串作為參數(shù)的支持，如-out,而不是以前的-。 分

31、離blastn, blastp, blastx等作為獨立的程序以替代之前的biastali -p blastn模式。-makeblastdb/ blastdb_aliastool, blastdbcmd三個程序都和數(shù)據(jù)庫有關，增強了數(shù)據(jù)庫方而 的處理。添加Best-Hit算法，只報告最優(yōu)的Hit。-添加了保存search strategy的功能，所謂search strategy也就是程序運行時的參數(shù)等信息。4.3結果解這里通過一個小例子來介紹一下BLAST結果的含義：命令：blastn -query NC_001147_6.FASTA -db yeast -dust no -parse_de

32、flines resultl.log-header:BLASTN 2.2.28+Referenee: Zheng Zhang, Scott Schwartz, Lukas Wagner, and WebbMiller (2000), A greedy algorithm for aligning DNA sequences1, JComput Biol 2000o 7(1-2):203-14Database: yeast.fasta17 sequenceso 12,155,026 total letters一Query:Query information:對一個query序列的基本信息描述Se

33、quences producing significant alignments:對所有 subjects 的簡要 list Subjects:每個subjects是query序列在數(shù)據(jù)庫中比對上的一條序列。Query二 QuerySaccharomyces cerevisiae S288c chromosome Xref|NC_001147.11 Saccharomyces cerevisiae chromosome XV, complete chromosome sequence (序列名稱) Length=1091283(subject 長度)Score = 1718 bits (930

34、), Expect = 0.0Identities = 93030 (100%), Gaps = 0/930 (0%)Strand=Plus/Plus(Score Expect. Identities. Gaps, Strand)(Query start)(Query end)Query 1ATGTTTTCAAATCTATCTAAACGnGGGCTCAAAGGACCCTCTCGAAAAGTTTCTACTCT 60llllllllllllllllllllllllllllllllllllllllllllllllllllllllllllSbjct 447440 ATGTTTTCAAATCTATCTA

35、AACGTTGGGCTCAAAGGACCCTCTCGAAAAGTTTCTACTCT 447499 (Subjet start)(Subject end)Query 61 ACCGCAACAGGTGCTGCTAGTAAATCTGGCAAGCTTACTCAAAAGCTCGTTACAGCGGGT 120llllllllllllllllllllllllllllllllllllllllllllllllllllllllllllSbjct 447500 ACCGCAACAGGTGCTGCTAGTAAATCTGGCAAGCTTACTCAAAAGCTCGTTACAGCGGGT 447559LambdaKH1.330.6211.12GappedLambdaKH1.280.4600.850Effective search space used: 11012083908Database: y