blast算法初探

在前面我们探讨了两条序列是如何通过动态规划算法进行比对的，但是在现如今的拥有海量数据的数据库中，想直接通过动态规划算法来将所有的序列与query序列一个一个进行比较式不切实际的。因此NCBI数据库开发了blast算法，用来快速的找到与query序列相似度最高的序列。

blast算法简介

blast算法采用的是一种启发式算法。首先将query序列打断成子片段，称之为seed words，然后将seed与预先索引好的序列进行比对，选择seed连续打分较高的位置采用动态规划算法进行延伸，延伸过程也会进行打分，当打分低于某一限度这一延伸过程就会被终止抛弃，最后产生了一系列的高得分序列。最后还要使用E-value对其显著性进行评估，选出比对结果最好的序列。blast的执行过程大致如下图所示：

blast算法执行原理

1、seeding

seeding

对于一条query序列，blast并非直接将其进行比对，而是先将其打断成多个片段（seed words）。而且得到的这些seed words也不是直接拿来用的，还要经过一些过滤处理。
首先，对于那些复杂度低的序列，如重复序列，信息含量少，我们将它从seed words中直接去除，以提高速度和降低假阳性。
其次，为提高比对敏感度，blast还会增加一些seed，称之为“neibourhood words”，这些“neibourhood words”是用seed words采用替换矩阵比对得到的与seed words相似的高得分序列。

2、Index database

image.png

而后，通过事先建立好的索引表，来在数据库中快速定位相关的候选序列以及在候选序列中的具体位置。通过对所有的seed均重复上述操作，就可以得到查询序列与候选数据库序列之间的hit map。

根据前一单元的讨论，我们知道最优比对对应的路径应该平行于主对角线。因此，我们可以进一步去掉那些零散的hits，而只允许沿对角线方向有两个及两个以上连续hits的hit cluster，以便进一步缩小搜索空间。

hit cluster

3、Extension

接下来，我们就可以以这些hit cluster为基础，向左右两个方向延伸以扩展得到HSP，直到总分数的下降超过一个给定的值X后。在扩展后的区域，我们可以应用上节课讲过的动态规划算法，以便确定最终的比对，从而显著降低了计算量。
在得到HSP后还需最后一步对其进行评估打分排序，以获得最为相似的序列。

4、E-value

为什么要进行评估？
举个例子，对于一个长度为L的蛋白序列，有(1/20)^L的概率会碰到一条完全一致的随机序列。也就是说，假定你的蛋白序列长度为6个氨基酸，这个概率就是1.56 * 10(-8)。那么，现在你用这个蛋白序列在Swiss-Prot数据库中进行检索，那么随机情况下就会期望有3个100%的匹配（随机概率*数据库中蛋白质序列的数量），即使这个长度为6的序列完全是随机产生的。因此，我们需要有一个方法，来客观的评估一个比对的统计显著性在我们得到最终的比对之后，我们还需要评估这个比对的统计显著性，以确保这个比对不是由随机因素引起的。在BLAST中，用E-value来对此进行度量。简单的说，E-value是指在随机情况下，获得比当前比对分数相等或更高分数的可能比对条数。具体来说，如果一个比对的E-value = 10，就意味着会有10个随机匹配获得与当前比对相等或更高的分数。E-value的值可以利用下面的式子进行计算：

E-value

其中， m是query sequence的长度。 n是数据库的大小。 e是自然对数，S是你的分数。 K和lambda是和打分矩阵相关的相当于是一个normalization（归一化）的factor（因子）。从下面的公式我们可以看到， E值的大小与数据库大小n成正比，也就是说数据库越大，随机匹配的可能性也就越大，和我们刚刚看到的例子是相符的。另一方面，E值的大小与查询序列的长度m也成正比这是因为 BLAST是局部比对，不需要全长的匹配。与我们的直觉相符， E值与比对的分数S负相关，也就是说如果分数越高，随机碰上的可能性就越小。同时，公式中的lambda和k是与打分系统与搜索空间相关的两个修正值，用来平衡不同打分矩阵以及搜索空间对于结果的影响。
为了方便解释，我们可以进一步的把p值和E值进行相互转换，从图上可以看出，在小于0.1时， E值和p值，也就是概率值，几乎相等。特别的，当p取0.05时，对应的E-value为0.0513，因此也常有人将0.05作为E-value的cut-off。