举个栗子🌰:
最近对拟南芥中的一个叫做CBF的基因非常感兴趣,现在我想看看这个CBF基因在一个新测序的物种Am基因组上是否存在,Am中有几个CBF基因?这样的查找可以通过本地化的BLAST+来实现。
关于BLAST:
BLAST软件能够将一个目标蛋白或核苷酸序列(称为查询query)与一个数据库进行比较,并识别某个特定阈值以上的与目标序列相似的库序列。在线的BLAST功能只需要将序列输入,然后BLAST,最后会给出相似的库序列(按照同源性高低排列)。在线BLAST明显存在两个缺陷:1.目标序列BLAST后的得到的库序列是多个物种的,如果我们只是要特定物种的话,还需要再自己找。2.如果目标序列有很多,则需要执行很多次,效率低。而本地化的BLAST+能很好的解决上面两个问题。
开始吧:
1.BLAST+的下载与安装
搜索BLAST,点击网页中的下载选项,针对不同的平台(linux,mac,windows)选择性的进行安装,如图一。
下面以mac为例进行介绍:
安装好之后打开Terminal,输入"blastn",出现下图说明安装成功。
- 数据准备
BLAST可以搜索核酸或者蛋白序列,下面以蛋白序列为例,之所以用蛋白序列是因为后期我想要用蛋白序列画进化树~
首先准备目标序列的fasta文件,即我感兴趣的CBF基因的fasta文件。首先在NCBI上下载到拟南芥的CBF基因的蛋白序列,拟南芥共有三个CBF基因,分别是CBF1,CBF2 和CBF3。PS:fasta文件可以用Sublime Text文件查看。
接下来准备目标物种的全部蛋白序列,因为文章还没发表,所以我用的物种名称用Am代替。已发表基因组的物种蛋白序列可以在NCBI上下载,同样是fasta格式。
- 运行BLAST
回到Terminal,开始运行BLAST。
①设置工作路径:cd /Users/mac/Desktop/CBF-Tree/ (此处根据自己文件存放的文件夹做调整)
②自定义数据库
也称为格式化数据库。在本例中,是指将Am的蛋白序列设为目标数据库:makeblastdb -in Am_pro.fa -dbtype prot
参数说明:
-in 待格式化的序列文件
-dbtype 数据库类型,prot或nucl分别表示蛋白库或核酸库
③目标序列与库序列进行比对
在本例中,是指将拟南芥的CBF的蛋白序列与Am的蛋白序列进行比对:blastp -query AtCBF.fasta -db Am_pro.fa -out AtCBF_Am.txt -evalue 1e-5 -outfmt 6
参数说明:
-query:输入文件名,代表的是要进行blastp的拟南芥CBF蛋白序列文件
-db:为前面格式化了的Am的基因组蛋白序列文件
-out:输出文件名
-evalue:为筛选标准(设置输出结果的evalue值,evalue越低,相似性越高)
-outfmt:输出文件格式,总共有12种格式,6是tabular格式对应BLAST的m8格式
outfmt 6生成的表格中每一列分别是:
第一列为: Query(递交序列),
第二列为: 数据库序列(目标序列subejct),
第三列为: identity
第四列为:比对长度
第五列为:错配数
第六列为:gap数
第七列和第八列为:Query开始碱基位置和结束碱基位置
第九列和第十列为:Subject开始碱基位置和结束碱基位置
第十一列为:期望值
第十二列为:比对得分
Q&A:返回的txt文件是空文件怎么办?
blastn 最后一个参数 -outfmt 6是将结果变成一个表格输出来。如果query序列在目标数据库里没有同源基因或者没有同源序列,就没有匹配结果,这样-outfmt 6就无法用表格输出来,这样输出的txt文件会显示为空文件。解决方案是将-outfmt 6这个参数去掉,这样返回的是你要的txt文件,文件中会显示no hits。
Q&A: 用blast进行短序列搜索(20nt左右)
如果query序列是很短的序列,如为了扩增某个基因设计了一个20bp的引物,要看看这个引物对目标基因是否具有唯一性的时候,用上述代码是跑不出结果的,这时候要加上另外的参数:-task blastn-short -word_size 7 -evalue 1,具体情况请参照参考文献3。
- R studio中提取输出文件中同源性最高的序列
输出的结果按照同源性从高到低排列(目标序列与库序列进行同源比对时根据evalue筛选出来的可能不止一个),那么如何选出每个最匹配的呢?
打开R studio,输入以下代码,即可实现。
图中是生成的结果。
补充资料:
BLAST+与BLAST相比,有很多改进和提高,NCBI强烈推荐放弃BLAST,使用BLAST+, 这里说的BLAST和BLAST+,都是本地的,与之前的那个批量BLAST小程序不是一回事。BLAST下载地址:NCBI BLAST+ 。BLAST+的一般用法如下:
格式化数据库
makeblastdb -in db.fasta -dbtype prot -parse_seqids -out dbname
参数说明:
-in:待格式化的序列文件
-dbtype:数据库类型,prot或nucl
-out:数据库名
蛋白序列比对蛋白数据库(blastp)
blastp -query seq.fasta -out seq.blast -db dbname -outfmt 6 -evalue 1e-5 -num_descriptions 10 -num_threads 8
参数说明:
-query: 输入文件路径及文件名
-out:输出文件路径及文件名
-db:格式化了的数据库路径及数据库名
-outfmt:输出文件格式,总共有12种格式,6是tabular格式对应BLAST的m8格式
-evalue:设置输出结果的e-value值
-num_descriptions:tabular格式输出结果的条数
-num_threads:线程数
核酸序列比对核酸数据库(blastn)以及核酸序列比对蛋白数据库(blastx)
与上面的blastp用法类似:
blastn -query seq.fasta -out seq.blast -db dbname -outfmt 6 -evalue 1e-5 -num_descriptions 10 -num_threads 8
blastx -query seq.fasta -out seq.blast -db dbname -outfmt 6 -evalue 1e-5 -num_descriptions 10 -num_threads 8
以上的参数说明只是一些常用的参数,完整的参数说明可以用-help查询。
参考资源:
本地化的NCBI BLAST+的安装及使用
链接:https://www.jianshu.com/p/2f551c0f9060
来源:简书BLAST+使用方法
链接:https://blog.csdn.net/lixiangyong123/article/details/67634935
来源:CSDN
3.用blast进行短序列(20nt左右)的搜索
链接:https://www.jianshu.com/p/a6ee3d19b832
来源:简书