1. 项目概述：为什么BLAST是生物信息学家的“瑞士军刀”？

如果你刚接触生物信息学，或者正在处理一批测序数据，想知道某个基因序列在庞大的数据库里有没有“亲戚”，或者想鉴定一段未知序列的功能，那你大概率会听到一个名字：BLAST。我第一次接触BLAST还是十几年前读研的时候，面对一堆看不懂的测序峰图，导师就甩给我一句话：“去BLAST一下看看是什么。” 从那时起，BLAST就成了我工具箱里使用频率最高的工具之一，没有“之一”。简单来说，BLAST（Basic Local Alignment Search Tool）就是一个用来在数据库中快速搜索与你提供的序列相似的序列的工具。你可以把它想象成一个生物序列的“搜索引擎”，输入一段DNA或蛋白质的“关键词”（序列），它就能在几秒到几分钟内，从几十亿条已知序列的“互联网”（数据库）里，帮你找到最匹配的结果。

它的应用场景太广了：鉴定一个新克隆的基因、预测蛋白质功能、分析物种间的进化关系、甚至是在宏基因组数据里寻找特定的病原体基因。对于学生、科研人员、乃至生物技术公司的研发人员来说，掌握BLAST的安装和基本使用，就像程序员要会写“Hello World”一样，是入门必备技能。网上的教程很多，但要么太老，要么只讲命令不讲为什么，新手照着做很容易卡在环境配置或者结果解读上。今天，我就结合自己多年在Linux（特别是Ubuntu）和Conda环境下的使用经验，从头到尾带你走一遍，不仅告诉你怎么装、怎么用，更会解释每一步背后的逻辑，以及我踩过的那些坑。目标是让你看完就能在自己的机器上跑起来，并且能看懂BLAST吐出来的那一大堆结果。

2. 环境准备与安装方案选型

在真正敲下安装命令之前，花几分钟想清楚安装方式，能省去后面无数麻烦。BLAST的安装主要有三种路径：使用系统包管理器（如apt）、使用Conda、以及从NCBI官网下载预编译包手动安装。每种方式各有优劣，适合不同场景。

2.1 三种安装路径的深度对比

为了让你一目了然，我把核心区别和选择建议整理成了下面的表格：

对于99%的新手和常规用户，我的建议是：直接选择Conda方案。它完美解决了生物信息学领域最头疼的“依赖地狱”问题。你可以在一个独立的环境里安装BLAST及其所有依赖，这个环境与系统和其他项目完全隔离，不会因为一个工具升级导致另一个工具崩溃。这也是为什么相关热搜词里“conda”出现的频率如此之高。

2.2 基础环境搭建：Conda的安装与优化

既然选择了Conda路线，我们首先得把Conda本身装好。这里以最流行的Miniconda为例，它比完整的Anaconda更轻量。

第一步：下载Miniconda安装脚本打开你的Ubuntu终端，使用wget命令从清华镜像源下载安装脚本，这比从官方源下载快得多。

wget https://mirrors.tuna.tsinghua.edu.cn/anaconda/miniconda/Miniconda3-latest-Linux-x86_64.sh

提示：如果系统没有wget，可以先运行sudo apt update && sudo apt install wget -y安装它。

第二步：运行安装脚本给脚本添加执行权限并运行它。

chmod +x Miniconda3-latest-Linux-x86_64.sh bash Miniconda3-latest-Linux-x86_64.sh

安装过程中，安装程序会询问安装路径，直接回车使用默认路径（~/miniconda3）即可。最关键的一步是当问及“Do you wish the installer to initialize Miniconda3 by running conda init? [yes|no]”时，务必输入yes。这样安装程序会自动帮你把Conda添加到shell的启动脚本里（比如~/.bashrc），以后每次打开终端，Conda基础环境就会自动激活。很多新手遇到的“conda: command not found”或者“condaerror: run 'conda init' before 'conda activate'”错误，都是因为这一步选了no或者忘了执行conda init。

第三步：生效配置并验证安装完成后，关闭当前终端，重新打开一个新的终端窗口。你会发现命令行前面多了一个(base)字样，这表示Conda的基础环境已经激活了。输入以下命令验证：

conda --version

如果成功显示版本号（如conda 24.5.0），说明安装成功。

第四步（重要）：配置国内镜像源默认的Conda源在国外，下载速度可能很慢甚至失败。我们需要换成国内镜像，这里以清华源为例：

conda config --add channels https://mirrors.tuna.tsinghua.edu.cn/anaconda/pkgs/main conda config --add channels https://mirrors.tuna.tsinghua.edu.cn/anaconda/pkgs/r conda config --add channels https://mirrors.tuna.tsinghua.edu.cn/anaconda/pkgs/msys2 conda config --add channels https://mirrors.tuna.tsinghua.edu.cn/anaconda/cloud/bioconda conda config --add channels https://mirrors.tuna.tsinghua.edu.cn/anaconda/cloud/conda-forge conda config --set show_channel_urls yes

这几条命令添加了主通道、R语言通道、msys2（一些Windows移植工具）、以及对我们至关重要的bioconda和conda-forge通道。Bioconda是生物信息软件的宝库，BLAST就在里面。最后一条命令让后续安装时显示软件的具体来源通道。

实操心得：有时候即使配置了清华源，下载速度依然不理想，这可能是因为通道优先级或网络瞬时问题。一个备选方案是使用北京外国语大学或上海交通大学的镜像源，具体地址可以在其开源镜像站页面找到。另外，执行conda clean -i可以清除索引缓存，有时能解决一些奇怪的源问题。

3. 创建独立环境并安装BLAST

有了Conda，我们不应该在(base)基础环境里直接安装软件。好的习惯是为每个项目或工具创建独立的环境。

3.1 创建并激活BLAST专属环境

conda create -n blast-env python=3.9

这里我们创建了一个名为blast-env的新环境，并指定安装Python 3.9。Python版本不是BLAST运行所必须的（BLAST是C++写的），但指定一个Python版本可以让Conda顺便建立一个更完整的环境框架，方便以后在这个环境里安装其他Python相关的生物信息学脚本（比如用Biopython处理BLAST结果）。你可以根据需求选择其他Python版本。

创建完成后，激活这个环境：

conda activate blast-env

激活后，命令行提示符会从(base)变成(blast-env)，这意味着我们后续的所有操作都只影响这个沙盒环境。

3.2 通过Bioconda安装BLAST

在激活的blast-env环境中，运行安装命令：

conda install blast

Conda会自动解析blast软件包的所有依赖（比如Perl、一些底层库），并列出将要安装的软件包列表，询问你是否继续。输入y确认后，它会从我们配置好的清华镜像源下载并安装。

安装后验证：

which blastn makeblastdb -version

which blastn应该显示路径在~/miniconda3/envs/blast-env/bin/blastn下。makeblastdb -version会输出BLAST套件的版本信息（如makeblastdb: 2.14.1+）。看到这些，恭喜你，BLAST核心工具已经成功安装。

注意事项：如果你发现安装速度极慢，或者一直在“Solving environment”阶段卡住，可以尝试以下方法：1) 使用mamba替代conda进行安装（conda install mamba -n base -c conda-forge，然后mamba install blast），Mamba的依赖解析引擎更快。2) 检查镜像源是否配置正确，可以用conda config --show channels查看。3) 有时网络问题会导致某个通道连接超时，可以暂时移除某个通道再试。

4. BLAST核心工具解析与数据库准备

安装成功只是第一步，BLAST是一个工具套件，包含多个程序，各有其职。同时，没有数据库的BLAST就像没有索引的搜索引擎，毫无用处。所以接下来我们得搞清楚有哪些工具，以及如何准备“弹药”——数据库。

4.1 BLAST套件核心成员简介

BLAST不是单一程序，而是一系列程序的集合，针对不同的序列类型和搜索需求：

• blastn: 最常用的工具，用于核酸序列对核酸数据库的搜索。比如，你想知道一段DNA测序结果在人类基因组中的位置。
• blastp: 用于蛋白质序列对蛋白质数据库的搜索。这是功能注释的核心，通过已知功能的蛋白质来推测你手中未知蛋白质的功能。
• blastx: 先将你提供的核酸序列（所有6个阅读框）翻译成蛋白质序列，然后去搜索蛋白质数据库。当你有一段可能包含编码区的核酸序列（如EST、cDNA），但不知道其翻译框时特别有用。
• tblastn: 将你提供的蛋白质序列，去搜索一个翻译成蛋白质的核酸数据库（数据库中的核酸序列会按6个阅读框动态翻译）。常用于在未注释的基因组或转录组中寻找蛋白质编码区。
• tblastx: 将核酸序列和核酸数据库都翻译成蛋白质（6个阅读框）再进行比对。计算量最大，但灵敏度在某些情况下最高，常用于远缘同源序列的搜索。
• makeblastdb:数据库格式化工具。这是关键！NCBI下载的原始FASTA格式数据库，BLAST无法直接使用，必须用这个工具转换成BLAST特有的索引格式（生成.nhr,.nin,.nsq等文件）。
• blastdbcmd: 数据库查询工具。可以从已格式化的BLAST数据库中提取特定序列的信息或序列本身。

对于初学者，前期打交道最多的就是blastn,blastp和makeblastdb。

4.2 获取与格式化本地数据库

你可以从NCBI的FTP服务器下载各种数据库，如nt（非冗余核酸库）、nr（非冗余蛋白库）、refseq_rna等。但这里我推荐一个更简单快捷的方式：使用NCBI提供的预格式化数据库。

NCBI为blast+套件提供了预格式好的数据库，可以直接下载使用，省去了自己运行makeblastdb的漫长过程（对于nr这种大型数据库，格式化可能需要数小时和大量内存）。

第一步：选择并下载数据库我们以中等大小的swissprot数据库（高质量、已注释的蛋白质数据库）为例进行演示。在blast-env环境中：

# 更新BLAST套件自带的数据库下载工具 update_blastdb.pl --showall # 下载预格式化的swissprot数据库 update_blastdb.pl --decompress swissprot

update_blastdb.pl是BLAST安装时附带的一个Perl脚本。第一条命令可以列出所有可用的预格式化数据库。第二条命令会从NCBI下载swissprot数据库的压缩包并自动解压。下载的文件会放在当前目录下，包括swissprot.phr,swissprot.pin,swissprot.psq等。

实操心得：下载大型数据库（如nr、nt）时，务必确保磁盘空间充足（可能超过100GB）。如果下载中断，可以重新运行相同的命令，它会自动续传。另外，你可以通过--blastdb_version 5参数指定下载最新版的V5格式数据库，这种格式支持更大的数据库且在某些情况下更快。

第二步：指定数据库路径下载后，你可以在任何位置运行BLAST，但需要通过-db参数指定数据库的路径和前缀。假设数据库文件放在/home/user/blast_db/目录下，且文件前缀是swissprot，那么参数应写为：

-db /home/user/blast_db/swissprot

不要写成/home/user/blast_db/swissprot.phr。BLAST会自动识别前缀并找到所有相关文件。

如果你经常使用某个数据库，可以将其路径添加到环境变量BLASTDB中，这样BLAST就会自动在该路径下寻找数据库，无需每次指定绝对路径。

# 临时添加（仅当前终端有效） export BLASTDB=/home/user/blast_db:$BLASTDB # 永久添加，将上行命令添加到 ~/.bashrc 文件中 echo 'export BLASTDB=/home/user/blast_db:$BLASTDB' >> ~/.bashrc source ~/.bashrc

5. 实战演练：从搜索到结果解读

理论说再多，不如亲手跑一遍。我们用一个完整的蛋白质序列搜索例子，把整个流程串起来。

5.1 准备查询序列

首先，我们需要一个查询序列。创建一个纯文本文件，比如叫my_query.fasta，内容如下。这是人胰岛素前体蛋白的一段序列。

>sp|P01308|INS_HUMAN Insulin OS=Homo sapiens OX=9606 GN=INS PE=1 SV=1 MALWMRLLPLLALLALWGPDPAAAFVNQHLCGSHLVEALYLVCGERGFFYTPKTRREAED LQVGQVELGGGPGAGSLQPLALEGSLQKRGIVEQCCTSICSLYQLENYCN

FASTA格式很简单：以>开头的一行是序列标识符和描述（标题行），后面跟着一行或多行序列字符（氨基酸或核苷酸）。

5.2 运行BLASTP搜索

假设我们已经将swissprot数据库下载到了~/blast_db目录。打开终端，激活blast-env环境，运行以下命令：

conda activate blast-env blastp -query my_query.fasta -db ~/blast_db/swissprot -out my_blast_results.txt -outfmt 6 -evalue 1e-5 -num_threads 4

我们来拆解这个命令的每一个参数：

• -query my_query.fasta: 指定查询序列文件。
• -db ~/blast_db/swissprot: 指定格式化好的数据库路径和前缀。
• -out my_blast_results.txt: 指定结果输出文件。
• -outfmt 6:这是关键参数，指定输出格式为“制表符分隔的表格格式”。这是最常用、最易于后续程序（如Python、R）处理的格式。格式7也是表格，但带有注释头。格式0是默认的、人类可读的详细格式，但不利于自动化分析。
• -evalue 1e-5: 期望值阈值。E值越小，匹配的显著性越高。1e-5是一个常用阈值，意味着随机匹配到相似度如此高的序列的概率是十万分之一。你可以根据需求调整，更严格可以用1e-10，更宽松可以用0.01。
• -num_threads 4: 使用4个CPU线程进行并行计算，加速搜索。根据你机器的核心数调整。

命令执行后，BLAST会开始搜索，并在屏幕上显示进度。搜索完成后，结果会保存在my_blast_results.txt中。

5.3 解读BLAST输出结果

我们重点解读最常用的-outfmt 6格式。用cat或文本编辑器打开结果文件，你会看到类似下面的多行数据（每行一条匹配记录，字段间用制表符\t分隔）：

sp|P01308|INS_HUMAN sp|P01308|INS_HUMAN 100.000 110 0 0 1 110 1 110 1.11e-83 310 sp|P01308|INS_HUMAN sp|P01315|INS_RAT 84.545 110 17 0 1 110 1 110 2.34e-60 223 sp|P01308|INS_HUMAN sp|P01317|INS_MOUSE 85.455 110 16 0 1 110 1 110 1.56e-61 226

这12个字段的含义如下（按顺序）：

1. qseqid: 查询序列的标识符（即我们FASTA文件中>后面的部分，sp|P01308|INS_HUMAN）。
2. sseqid: 数据库中匹配到的序列的标识符。
3. pident: 比对序列的一致性百分比（percent identity）。第一行是100%，说明匹配到了完全相同的序列（即它自己）。
4. length: 比对区域的有效长度（对齐的长度）。
5. mismatch: 错配数。
6. gapopen: 空位（gap）打开的数目。
7. qstart: 比对在查询序列中的起始位置。
8. qend: 比对在查询序列中的结束位置。
9. sstart: 比对在数据库序列中的起始位置。
10. send: 比对在数据库序列中的结束位置。
11. evalue:期望值。这是衡量匹配显著性的核心指标。值越小越好，通常<1e-5被认为具有生物学意义。第一行的1.11e-83非常小，表明匹配极显著。
12. bitscore:比特分数。比对本身质量的评分，与数据库大小无关。分数越高，比对质量越好。

从我们的示例结果可以看出：

• 第一条匹配是查询序列自身，一致性100%，E值极小，这是正常的。
• 第二、三条分别匹配到了大鼠（RAT）和小鼠（MOUSE）的胰岛素序列，一致性在85%左右，E值也非常显著（e-60量级）。这说明人胰岛素与大鼠、小鼠的胰岛素在进化上高度保守。

注意事项：pident（一致性）高固然好，但E值比一致性更重要。一个一致性较低（如30%）但E值极佳（如1e-30）的匹配，很可能是一个真实的远缘同源序列，具有重要的生物学意义。而一个一致性很高但E值很差（如0.1）的匹配，可能是由于序列太短或数据库太小导致的随机匹配，需要谨慎对待。

6. 进阶技巧与性能调优

掌握了基本操作后，一些进阶技巧能让你用得更顺手、跑得更快。

6.1 输出格式的灵活运用

-outfmt参数非常强大。除了常用的6，你还可以定制输出字段。例如，如果你只关心序列ID、E值和描述，可以这样：

blastp -query my_query.fasta -db swissprot -out results_custom.txt -outfmt "6 qseqid sseqid evalue stitle"

这里stitle就是数据库序列的标题（描述）。你可以在BLAST官方手册中找到所有可用的字段标识符。

对于需要生成报告的场景，可以使用-outfmt 0（默认）或-outfmt 7（带注释的表格）。-outfmt 0的输出包含详细的比对图示，非常适合直接阅读和放入补充材料。

6.2 关键参数调优指南

BLAST有很多参数可以调整，以平衡速度、灵敏度和资源消耗。

• -task: 选择具体的搜索任务。例如，blastp默认是blastp，但对于更快的搜索可以尝试blastp-fast，对于更敏感但更慢的搜索可以尝试blastp-short（针对短序列）。blastn也有blastn,blastn-short,megablast等选项，megablast用于高相似度序列的快速搜索。
• -word_size: 字长。这是BLAST算法的“种子”长度。增大字长（如从默认的11增加到15）会加快速度但降低灵敏度，适用于高相似度搜索。减小字长会提高灵敏度但变慢。
• -max_target_seqs和-max_hsps: 这两个参数经常被误解。-max_target_seqs控制最终输出中不同数据库序列的最大数量。-max_hsps控制每条查询序列与单条数据库序列之间保留的高分片段对的最大数量。如果你需要全面的结果，不要将它们设得太小（默认是500和0，0表示无限制）。但注意，NCBI的在线BLAST默认-max_target_seqs是100，这可能导致你无法看到排名100以后的重要结果！在本地运行时，可以根据需要调整。
• -num_threads: 如前所述，多线程是加速搜索最有效的方式。通常设置为可用CPU核心数。
• -evalue: 再次强调，根据你的研究问题设定合理的E值阈值。全基因组比对和寻找远缘同源物需要不同的阈值。

6.3 处理大规模搜索：分批与并行

如果你有成百上千条序列需要搜索，一条条跑是不现实的。有两种高效策略：

1. 使用BLAST的批量模式可以将所有查询序列放在一个多FASTA文件里，BLAST会自动依次处理。但这样是串行的，总时间很长。

2. 使用GNU Parallel或Shell脚本进行并行化这是更推荐的方法。假设你有1000个独立的FASTA文件（seq_001.fasta...seq_1000.fasta）。

# 使用GNU Parallel并行处理 ls *.fasta | parallel -j 8 "blastp -query {} -db swissprot -out {}.blastout -outfmt 6 -evalue 1e-5"

这条命令使用parallel工具，同时运行8个blastp任务（-j 8），每个任务处理一个文件。{}会被替换为文件名。这能极大缩短总体运行时间。

如果没有parallel，可以写一个简单的Shell循环，结合后台运行（&）和控制并发数来实现简易并行，但管理起来更复杂。

7. 常见问题排查与解决方案实录

即使按照教程操作，你也可能会遇到一些问题。下面是我和同事们常遇到的“坑”及其解决方法。

7.1 安装与环境问题

问题1：运行blastn命令提示“command not found”

• 原因：Conda环境未激活，或者BLAST未正确安装在当前环境。
• 解决：
  1. 确认终端提示符是否为(blast-env)。如果不是，运行conda activate blast-env。
  2. 如果已激活，运行conda list blast查看是否已安装。若未安装，重新安装。
  3. 如果已安装，运行which blastn检查路径。确保你安装的是blast软件包（它包含所有工具），而不是名字类似的包。

问题2：Conda安装软件时在“Solving environment”阶段卡住

• 原因：环境依赖关系复杂，Conda的默认解析器速度慢；或通道源不稳定。
• 解决：
  1. 首选方案：安装mamba并用它来替代conda安装。mamba使用C++重写的解析器，速度极快。conda install mamba -n base -c conda-forge，然后mamba install -n blast-env blast。
  2. 尝试减少通道数量，只保留必要的（如conda-forge和bioconda）。
  3. 运行conda clean --all清除缓存，然后重试。

7.2 数据库与运行错误

问题3：运行BLAST时报错“BLAST Database error: No alias or index file found for protein database...”

• 原因：BLAST找不到数据库文件。路径错误、数据库未格式化、或文件名前缀不对。
• 解决：
  1. 检查-db参数指定的路径和前缀是否正确。确保路径指向的是数据库文件的前缀，而不是具体某个文件。例如，目录下应有swissprot.phr,swissprot.pin,swissprot.psq三个文件，那么-db参数应设为/path/to/swissprot。
  2. 如果使用BLASTDB环境变量，用echo $BLASTDB检查变量值，并确认数据库文件确实在该目录下。
  3. 如果是自己下载的FASTA文件，确认是否用makeblastdb成功格式化。查看格式化时是否有错误输出。

问题4：BLAST运行速度异常缓慢

• 原因：数据库过大；查询序列复杂；参数设置未优化；硬件资源不足。
• 解决：
  1. 使用预格式化的数据库：自己格式化大型数据库（如nr）非常耗时耗内存，直接下载NCBI预格式化的版本。
  2. 调整参数：尝试增加-word_size，使用-task blastp-fast或-task megablast（如果适用）。
  3. 利用多线程：务必设置-num_threads为合适的值（通常为核心数）。
  4. 使用SSD硬盘：将数据库放在SSD上能极大提升I/O速度。
  5. 限制搜索范围：如果可能，使用-db指定更小的专业数据库，而不是庞大的nr/nt。

问题5：结果太多或太少，如何筛选？

• 原因：E值阈值（-evalue）设置不合理。
• 解决：
  • 结果太多（很多不相关的匹配）：降低E值阈值，例如从1e-5改为1e-10。
  • 结果太少（可能漏掉真实同源物）：提高E值阈值，例如从1e-5改为0.001。同时可以考虑使用更灵敏的算法（如-task blastp而不是blastp-fast）或减小-word_size。
  • 进阶筛选：在得到初步结果后，可以结合bitscore、pident和比对长度进行二次筛选。例如，使用awk命令：awk '$3 > 40 && $11 < 1e-10' results.txt可以筛选出一致性大于40%且E值小于1e-10的结果。

7.3 结果解读疑惑

问题6：E值（evalue）为0.0是什么意思？

• 解读：这并不意味着概率为零，而是因为计算出的E值太小，超出了输出格式的精度范围，被显示为0.0。这通常意味着匹配极其显著，是同源序列的强有力证据。你可以通过添加-outfmt '6 std evalue'来尝试获取科学计数法显示，但有时仍然会显示0。可以放心地将其视为具有最高置信度的匹配。

问题7：一条查询序列匹配到数据库中的多条记录，如何选择？

• 策略：遵循以下优先级：
  1. E值最小的匹配（最显著）。
  2. Bitscore最高的匹配（比对质量最好）。
  3. 在E值和Bitscore相近的情况下，选择一致性（pident）更高的。
  4. 查看匹配序列的描述（stitle），选择来自模式生物、经过良好注释的序列（如UniProtKB/Swiss-Prot中的记录通常比TrEMBL中的更可靠）。
  5. 对于功能注释，通常选择最接近的模式生物的同源物。

安装和基础使用只是起点，BLAST的深度远不止于此。当你熟悉了本地搜索后，可以探索更多：比如使用PSI-BLAST进行迭代搜索，发现远缘同源；利用blastdbcmd从数据库中提取特定序列构建本地小数据库；或者将BLAST整合到你的分析流程脚本中，实现自动化。最关键的是理解每个参数和结果字段背后的生物学和统计学意义，这样才能从海量数据中得出可靠的结论。