生物信息学（3）——双序列比对之BLAST算法简介

生物信息学系列博客索引

生物信息学（1）——双序列比对之Needleman-Wunsch(NW)算法详解及C++实现
生物信息学（2）——双序列比对之Smith-Waterman(SW)算法详解
生物信息学（3）——双序列比对之BLAST算法简介
生物信息学（4）——多序列比对之CLUSTAL算法详解及C++实现
生物信息学（5）——基于CUDA的多序列比对并行算法的设计与代码实现
项目gitee地址，内附源码、论文等文档信息

1. BLAST算法简介

动态规划算法如生物信息学（1）与生物信息学（2）两篇提到的NW与SW算法肯定能得到最优解（最优分为全局最优与局部最优），但是要计算一个庞大的得分矩阵。随着序列的增长，复杂度会平方级别的升高。因此，时间开销和空间开销就会很大。动态规划需要计算出(seq1+1)×(seq2+1)大小的矩阵，但绝大多数数字其实在回溯时是没有用到的，如果能够只计算最终回溯路径附近的一些单元的话，与整个矩阵全部算完，效果近似。

从一个局部来启发，找到一个方法贴近回溯路径，即找到大概会在什么地方匹配，然后顺着这个核心往两边拓展序列，这样比对就可以高效的进行，这就是BLAST算法的实现思想。

Blast算法的全称是(Basic Local Alignment Search Tool)，中文叫做基本局部相似性比对搜索工具，在1990年由Altschul等人提出,其并不确保能找到最优解，但尽力在更短时间内找到足够好的解，算法有Seeding、Matching、Extending三个步骤。

2. BLAST三个步骤

(1) Seeding

需要把比对的序列(Query Sequence)按照一定长度拆分成多个连续’seed words’，通常来说对于蛋白质序列是以三个氨基酸为一个 seed word, DNA 碱基序 列以 11 个长度为一个 seed word,由 Query Sequence 转换为 seed word 过程如图 2-9。seed 的长度越小，最终的比对准确率就越高，所需要的时间也越长。例如 对于一个蛋白质序列 PQFEFG，设定 seed word 长度为 3，那么就可以依次形成 四个 seed word,分别为 PQF、QFE、FEF、EFG。

(2) Matching

将目标序列与参考序列进行索引，找到 seed 相同的地方，得到每个 seed word 在参考比对序列对应的位置，即找到本序列与目标数据库序列相似部分。

(3) Extending

拓展目标序列，拓展利用 SW 或者 NW 算法向两边延伸，拓展 seed word 长 度，直到得分低于设定阀值，获取到最长的序列，即为目标结果序列。拓展过程 如下图。有点抽象，不过大概意思差不多。

Blast 算法通过 Seeding-and-Extending 策略，如公式(2-7)与图 2-11 所示，能 极大的减小了时空复杂度，提高了算法运行的时间，是双序列比对效果最好的算 法之一。

3. 双序列比对算法总结

3.1 Needleman-Wunsch算法

创新的将动态规划的思想引入到生物信息学中，通过回溯特殊的得分矩阵，能有效的将两个序列进行全局比对，但是有巨大的时空复杂度。

3.2 Smith-Waterman算法

化简了Needleman-Wunsch算法得分矩阵的求得方式，杜绝负值的出现，简化计算过程，且通过回溯，能获取到序列比对的局部最优解。

3.3 BLAST算法

基于启发式思想的算法，通过通过Seeding-and-Extending策略，能极大的减小了时空复杂度，提高了算法运行的时间，是双序列比对效果最好的算法之一。

4. 奇怪的内容

BLAST其实是一个双序列比对工具，一直以算法称他，我解释为，此工具提供了一种解决问题的思路与方法。
BLAST主要用于对一条序列进行同源性分析，即测试这条序列应该是个什么序列，主要是将未知序列通过双序列比对，与数据库已经存在的大量序列进行两两比对，分析相似度，得出结论。
所以一条序列与很多条序列两两比对，依旧属于双序列比对的范畴。而下一篇要介绍的多序列比对算法CLUSTAL是多条序列一起比对，目的是观察整个基因家族的进化方向与遗传规律。

总结

如果有什么问题，请私信联系我或者在评论区留言
码字不易，若有帮助，给个关注和赞呗