Blastdb

安装

在ftp://ftp.ncbi.nlm.nih.gov/blast/executables/blast+/LATEST/中下载最新的BLAST可执行程序

wget ftp://ftp.ncbi.nlm.nih.gov/blast/executables/blast+/LATEST/ncbi-blast-2.9.0+-x64-linux.tar.gz
mv ncbi-blast-2.9.0+ ~/local/app/ # 移动
cd ~/local/app/                    # 进入本地程序安装路径
mv ncbi-blast-2.2.30+ blast        # 修改目录名

将BLAST+可执行程序所在目录（bin）的绝对路径加入到环境变量$PATH中，方便通过程序名直接调用

export PATH=/db/home/shenwei/local/app/blast/bin:$PATH

source .bashrc

五种查询方式

BLASTN	programs search nucleotide databases using a nucleotide query
BLASTP	programs search protein databases using a protein query
BLASTX	search protein databases using a translated nucleotide query（一条核酸序列会被翻译成可能的六条蛋白）
TBLASTN	search translated nucleotide databases using a protein query
TBLASTX	search translated nucleotide databases using a translated nucleotide query

构建数据库 makeblastdb

BLAST数据库分为核酸数据库和氨基酸数据库，可以用makeblastdb创建

makeblastdb -in Arabidopsis_thaliana.TAIR10.dna.toplevel.fa -dbtype nucl -out TAIR10 -parse_seqids

-dbtype：必须，赋值为nucl或者prot，代表是核酸或者氨基酸序列。

-in：非必须，要构建数据库的文件名。

-input_type：非必须，制定输入文件的格式，赋值为asn1_bin、asn1_txt、blastdb、fasta，默认为fasta。

-title：非必须，数据库标题，默认为-in输入文件名（加上不同的后缀）。

-parse_seqids：非必须，对于fasta格式文件，会分析输入序列ID；对于其他格式文件，自动分析。

-hash_idex：非必须（建议有），创建序列的hash。

-out：非必须（建议有），数据库名称，默认为-in输入文件名。

-max_file_sz：，非必须，数据库最大容量，默认为1GB。

-logfile：非必须（建议有），输出建立数据库时的log文件。在批量处理数据时候，可以检查数据库构建是否正确。默认输出到屏幕

结果

生成的数据库中有三个主要的文件——库索引(indices)，序列(sequences)和头(headers)文件。

生成的文件的扩展名分别是：.pin、.psq、.phr（对蛋白质序列）或.nin、.nsq、.nhr（对核酸序列）。而其他的序列识别符和索引则包含在.psi和.psd（或.nsi和.nsd）中。

注意：自己生成的数据库中序列命名有以下三种形式：

a） > gnl|database|identifier

b） > lcl|identifier

c)  > identifier

别名

Blast 聚合多个数据库建立别名数据库命令

blastdb_aliastool -dblist 'EP/cdr_prot_patent_01 USPTO/cdr_prot_patent_02 WO/cdr_prot_patent_03' -dbtype prot -title "CDR_database" -out CDR_database 

使用别名来查询

别名只能用来查询，不能用来获取序列

查询命令：

blastp -db CDR_database -task blastp-short -matrix PAM30 -num_threads 4 -evalue 100 -max_hsps 1 -query TestQuery.fa -outfmt 6 -out TestResult.txt

查看数据库相关信息 blastdbcmd

# 查看信息
blastdbcmd -db TAIR10 -info
# 所有数据
blastdbcmd -db TAIR10 -entry all | head
# 具体关键字，如GI号
blastdbcmd -db TAIR10 -entry 3 | head
# 保存序列为样本文件
blastdbcmd -db test_db -entry seq1 -out test_query

-db <string>：必须，string表示数据库所在路径

-dbtype：必须，guess、nucl、prot，默认为guess

-info：查看数据库基本信息

-entry：抽取序列，输入序列标识，e.g.: 555, AC147927, 'gnl|dbname|tag', or 'all' to select all sequences in the database

-out：保存序列为样本文件

-entry_batch 提供一个包含多个检索关键字的文件

-out：输出文件名

-outfmt：默认是%f

           %f means sequence in FASTA format
           %s means sequence data (without defline)
           %a means accession
           %g means gi
           %o means ordinal id (OID)
           %i means sequence id
           %t means sequence title
           %l means sequence length
           %h means sequence hash value
           %T means taxid
           %X means leaf-node taxids
           %e means membership integer
           %L means common taxonomic name
           %C means common taxonomic names for leaf-node taxids
           %S means scientific name
           %N means scientific names for leaf-node taxids
           %B means BLAST name
           %K means taxonomic super kingdom
           %P means PIG
           %m means sequence masking data.

-show_blastdb_search_path: blast检索数据库路径

blastp

blastp -task blastp -query test.fasta -db rnodb -evalue 1e-5 -num_threads 4 -max_target_seqs 5 -outfmt 6 -out test_out.txt

-query：必须，要查询的序列，需要是fasta格式文件。

-task：必须，规定搜索任务类型，blastp、blastp-fast、blastp-short，默认为blastp。

• “blastp”, for standard protein-protein comparisons,
• “blastp-short”, optimized for query sequences shorter than 30 residues
• “blastp-fast”, a faster version that uses a larger word-size per 

-db：必须，指定blast搜索用的数据库。

-dbsize ：非必须，数据库的有效长度

-out：非必须（建议有），输出文件名。

-evalue：非必须，搜索E-value阀值，默认为10。

-max_target_seqs：非必须，设置最多的目标序列匹配数

-num_threads：非必须（建议有），多核计算，默认为1，可以根据自己系统重新设置。

-remote：如果加上这个参数，就是使用远程比对，再有互联网的情况下，连接到NCBI的服务器来进行远程比对，然后返回到本地，从而不消耗本地的资源，设置了该参数，则-num_threads无效

-perc_identity  相似度，默认是大于0就显示，如果要显示大于95%，这后面接95

-comp_based_stats：非必须，组合统计模型，Blastp and blastp-fast的默认值是2，blastp-short的默认值是0（不使用组合统计模型）

-use_sw_tback：是否使用局部最优算法

-outfmt：非必须（建议有），有很多的输出格式化选项，非常方便用户选择。其中，比较常用的是：
     0 = Pairwise,显示具体匹配信息（缺省）
     1 = Query-anchored showing identities,查询-比上区域，显示一致性
     2 = Query-anchored no identities,查询-比上区域，不显示一致性
     3 = Flat query-anchored showing identities,查询-比上区域的屏文形式，显示一致性
     4 = Flat query-anchored no identities,查询-比上区域的屏文形式，不显示一致性
     5 = BLAST XML，信息最全
     6 = Tabular，结果以table的形式给出，清晰易懂
     7 = Tabular with comment lines，表格格式+说明行，有注释行的table格式，比6多了一些#开头的注释行。
     8 = Seqalign (Text ASN.1),文本方式的ASN格式输出
     9 = Seqalign (Binary ASN.1),二进制方式的ASN格式输出
    10 = Comma-separated values,（csv格式）
    11 = BLAST archive (ASN.1),
    12 = Seqalign (JSON),
    13 = Multiple-file BLAST JSON,
    14 = Multiple-file BLAST XML2,
    15 = Single-file BLAST JSON,
    16 = Single-file BLAST XML2,
    18 = Organism Report
其中6，7，10，17可以自定输出格式。默认是

qaccver saccver pident length mismatch gapopen qstart qend sstart send evalue bitscore

简写	含义
qaccver	查询的AC版本（与此类似的还有qseqid,qgi,qacc,与序列命名有关）
saccver	目标的AC版本（于此类似的还有sseqid,sallseqid,sgi,sacc,sallacc,也是序列命名相关)
pident	完全匹配百分比 （响应的nident则是匹配数）
length	联配长度(另外slen表示查询序列总长度，qlen表示目标序列总长度)
mismatch	错配数目
gapopen	gap的数目
qstart	查询序列起始
qstart	查询序列结束
sstart	目标序列起始
send	目标序列结束
evalue	期望值
bitscore	Bit得分
score	原始得分
AC	accession

blastn

blastn -db database_name -query input_file -out output_file -evalue evalue -max_target_seqs num_sequences -num_threads int_value -outfmt format "7 qacc sacc evalue length pident"

-task：任务类型，blastn、blastn-short、dc-megablast、megablast、rmblastn，默认是megablast

• blastn 完全匹配的传统blastn
• blastn-short 优化查询：短于50个碱基
• megablast 查找十分相似的序列（如物种内部或相关的物种间）
• dc-megablast 查找亲缘关系比较远的序列（如物种间）
• rmblastn 兼容了RepeatMasker

-num_alignments：输出数据库中能与Query比对上的的序列数目，与max_target_seqs不能同时使用。
-max_target_seqs：最多允许比对到数据库中的序列数目，参数仅适用于outfmt >4。
-perc_identity ：比对的最低相似度
-max_hsps：由于不对时一条序列比对成多段，如果只想输出其中的几段，就设定相应的数目，与-num_alignments不能同时使用。

BLAST程序常用的两个评价指标 

Score

使用打分矩阵对匹配的片段进行打分，这是对各氨基酸残基（或碱基）打分求和的结果，一般来说，匹配片段越长、相似性越高则Score值越大，结果越可信。

E-value

E值的计算：

E=K*m*n*(e-lambda*S)

其中，K和lambda与数据库和算法有关，是个常量；m代表目标序列的长度，n代表数据库的大小，S就是前面提到的S值。

E值就是S值可靠性的评价。它表明在随机的情况下，其它序列与目标序列相似度要大于S值的可能性。所以它的分值越低越好

E值（Expect)表示随机匹配的可能性，例如，E=1，表示在当前的数据库中，完全由几率搜到对象数的平均值为1。

E值越大，随机匹配的可能性也越大。E值接近零或为零时，具本上就是完全匹配了。

BLAST程序在搜索空间中可随机找到获得这样高分的序列的可能性(期望值)，因此E-value越高，则代表结果越有可能是随机获得的，也就越不可信，搜寻空间大小约等于查询序列的长度乘以全部database序列长度的总和，再乘以一些系数。

如果检索的序列较短，可适当的提高E值,否则可能会找不到目的序列，反之如果序列较长可适当提高E值。
通常无论是从DNA水平，还是蛋白质水平进行检索，E值设为1通常可满足要求。

通常来讲，E值小于10^-5就是比较可性的S值结果。相同的数据库，如果E=0.001时有1000条的S值比现在这个要高，那么E设置为10^-6时可能就会只得到一条结果，就是S值最可靠的那个。但是E值也不是万能的。它在以下几个情况下有局限性：
1）当目标序列过小时，E值会偏大，因为无法得到较高的S值。
2）当两序列同源性虽然高，但有较大的gap（空隙）时，S值会下降。这个时候gap scores就非常有用。
3）有些序列的非功能区有较低的随机性时，可能会造成两序列较高的同源性。

E值总结：
E值适合于有一定长度，而且复杂度不能太低的序列。

当E值小于10^-5时，表明两序列有较高的同源性，而不是因为计算错误。

当E值小于10^-6时，表时两序列的同源性非常高，几乎没有必要再做确认。

学习资料

1. Linux系统中NCBI BLAST+本地化教程 - CSDN博客
2. Index of /blast/executables/blast+/LATEST
3. 这或许是我写的最全的BLAST教程 - 简书
4. BLAST® Command Line Applications User Manual - NCBI Bookshelf
5. BLAST: Basic Local Alignment Search Tool
6. Linux系统中NCBI BLAST+本地化教程 · Wei Shen's Note
7. windows 下的blast+安装以及使用 - 简书
8. blast+中blastp参数详解_LittleStarLord_新浪博客
9. BLAST Settings
10. Latest Posts
11. /blast/executables/blast+/LATEST/ 的索引
12. BioJava:CookBook:Core:Overview
13. IMGT/DomainGapAlign
14. Germline CDR Grafting Humanisation | Abzena
15. Frontiers | V(D)J Rearrangement Is Dispensable for Producing CDR-H3 Sequence Diversity in a Gene Converting Species | Immunology
16. sam's note
17. VBASE2 - the integrative germ-line V gene database
18. CDR - Wikipedia
19. search tips
20. IgBLAST使用及后续结果处理_bioinfomatics2medicine_新浪博客
21. Overview — changeo 0.4.4.999-2018.11.03 documentation