BLAST原理与种子延伸

更新：2026-10-26；状态：可用；验证范围：2026-10-26核对原始与官方资料；本页Python微型计算已执行；人工数据不代表专业软件或真实研究性能。

BLAST用于在序列数据库中寻找局部相似片段。它先找可能相似的短词，再延伸和评分，减少对所有位置做完整动态规划的成本。本页解释速度来自哪里、何时会漏命中，以及为什么“最高分”与“最显著”必须结合检索背景理解。

前置为Smith-Waterman局部比对和排序查找与哈希在生信中的应用。读完应能用人工反例说明种子长度的灵敏度取舍，并理解E值的基本含义。

从短词命中到候选比对

可将流程理解为：定义查询和数据库→生成短词及索引→寻找词命中→延伸高潜力区域→合并/细化候选→计算分数与统计量。现代BLAST有不同task、蛋白邻域词、双命中等策略；不能把“所有任务都找完全相同DNA词”当通用事实。NCBI BLAST官方帮助说明不同程序和参数；原始方法见Altschul等1990。

下面的教学程序只建立完全相同k字符词的字典，然后作不含缺口的双向延伸；未实现完整BLAST、替换矩阵、统计显著性、反向互补或数据库格式。

为什么种子可能漏掉最优片段

query=ABCD，subject=AXCY，k=2时query的词AB、BC、CD，在subject的AX、XC、CY中一个也没有，故没有候选。但单个A或C仍能产生局部正分；精确局部DP能够找到，种子法可能完全跳过。减小k会增加命中与计算负担，同时更容易接近弱相似片段。较大k通常减少偶然词命中，但也可能漏更远缘或高错误率序列。

本页例子在项目根目录的Python中运行；标准库例子无需安装包，含NumPy/SciPy的例子先按R包Python包与可复现环境建立项目环境。Windows命令使用python，macOS/Linux可使用python3；代码块可复制进该环境的Python交互会话，或保存为项目根目录下的临时脚本再用该环境解释器运行；不要保存到examples目录或任意外部目录后假定项目导入路径仍相同。除特别说明外，只向屏幕输出，不写文件。

from examples.alignment_demo import seed_extend, smith_waterman
hit = seed_extend('ABCD', 'XXABCDYY', k=2)[0]
print('simple_hit', hit)
print('seed_miss', seed_extend('ABCD', 'AXCY', k=2))
print('exact_local', smith_waterman('ABCD', 'AXCY')['score'])
assert hit['score'] == 8
assert seed_extend('ABCD', 'AXCY', k=2) == []
assert smith_waterman('ABCD', 'AXCY')['score'] > 0

检查点：第一例8分、query[0:4]对subject[2:6]；第二例种子列表为空，而精确局部分数大于0。两种算法没有计算同一个完整候选空间，输出不同不必是程序bug。

延伸为什么不能无限进行

设延伸的当前累计分数为S，见过的最佳分数为Sbest。当Sbest−S超过X-drop阈值，继续延伸的潜力被认为较小，可停止。阈值小则更快但更易在暂时低相似区断开；阈值大则允许跨过更长低分区。本项目无缺口小实现采用这一思想，并只保留最佳延伸端点；不要据此解释所有BLAST task的内部默认参数。

匹配+2、错配−1时，两个匹配先到4，再出现三个错配到1，分数下降3。X-drop=2会在下降超过2时停止；X-drop=3是否恰好继续取决于采用“大于”还是“大于等于”的边界，这也是实现需记录的细节。

读懂输出时必须区分的量

输出	回答什么	不回答什么
identity	已对齐列中相同字符的比例，具体分母按格式核对	是否覆盖完整查询
query coverage	查询有多大部分被比对覆盖	命中功能是否相同
raw/bit score	评分模型下的局部相似强度及标准化分值	后验功能概率
E值	该检索背景下预期偶然同等或更高分命中的数量	“这个命中为假的概率”
HSP与坐标	哪些局部片段相似、方向如何	必然一对一正交关系

常用直觉关系为E约随有效搜索空间增长、随分数指数下降；理想化写作$E\approx Kmn e^{-\lambda S}$。m、n是有效查询与库长度，S是原始分数，K、λ与评分/背景有关；实际工具还有校正。相同分数查更大的库，E值可能变大。不能自行给toy分数套未经标定的K、λ产生“BLAST E值”。

实操选项与排错

真实检索先选择核酸对核酸、蛋白对蛋白或翻译搜索；确认查询、库版本、task、低复杂度过滤和输出字段。命中太少时先查序列类型、方向、task是否过于严格；不要第一步就取消全部过滤。命中很多且短时查低复杂度、重复和覆盖度。输出前若被设置最大返回数截断，未出现的候选不能被解释成不存在。

自测：100% identity但只覆盖20bp的命中，足以注释一条2kb基因吗？ 答：不足，至少还需覆盖、结构和功能证据。自测：减小种子一定得到更好的生物学结论吗？ 答：只改变搜索灵敏度和成本；仍要评价特异性、统计背景与研究问题。生产操作入口保留在相关工具与工作流页。

接着读什么

Smith-Waterman局部比对 → 排序查找与哈希在生信中的应用 → R包Python包与可复现环境 → 比对相似性同源性与覆盖率 → BLAST本地检索实践 → 方法与算法系统学习指南。学习顺序与练习入口见方法与算法系统学习指南。

运行本页的完整小例

先下载项目并进入含README与examples的根目录，环境准备见方法与算法系统学习指南。用项目环境的Python运行以下命令（macOS/Linux路径示例；Windows用.venv\Scripts\python.exe）：

.venv/bin/python examples/methods_foundations_demo.py --case blast --output examples/output/methods-blast

输出summary.json保存本页计算与检查结果。目录非空时拒绝覆盖，再练习请更换--output目录；页面内短代码只打印结果。标准库case也可用系统Python直接运行。

公式里的矩阵、下标或对数不熟时，可回查读懂方法公式的最小数学基础。