本地blast详解
BLASTALL 用法
a.格式化序列数据库
格式化序列数据库— —formatdb
formatdb简单介绍:
formatdb处理的都是格式为 ASN.1和 FASTA，而且不论是核苷酸序列数据库，还是蛋白质序列数据库；不论是使用Blastall ，还是Blastpgp，Mega Blast应用程序，这一步都是不可少的。
formatdb命令行参数:
formatdb - 得到formatdb 所有的参数显示（见附录二）和介绍，
主要参数的说明:
-i 输入需要格式化的源数据库名称 Optional
-p 文件类型，是核苷酸序列数据库，还是蛋白质序列数据库
T – protein F - nucleotide [T/F] Optional default = T
-a 输入数据库的格式是ASN.1（否 则是FASTA）
T - True, F - False. [T/F] Optional default = F
-o 解析选项
T - True: 解析序列标识并且建立目录
F - False: 与上相反
[T/F] Optional default = F命令示例:
formatdb -i ecoli.nt -p F -o T运行此命令就会在当前目录下产生用于BLAST搜索的7个文件，一旦如上的formatdb命令执行完毕，就不 再需要ecoli.nt，可以移除。此时，blastall可以直接使用。
blast本地化：格式化数据库（formatdb详解）
构建的fasta格式的数据库文件必须被formatdb格式化后，才能被blastall、blastpgp、MegaBLAST使用。数据库文件也可以是ASN.1格式，但较少用到，所以下面还是主要以FASTA格式为例。
formatdb格式化数据库后，创建三个主要的文件——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）。另外，为便于查找还有一些ISAM 索引文件同时生成：.pni和.pnd（或.nni和.nnd）文件，其中的数字索引只包含gi号；而其他的序列识别符和索引则包含在.psi 和.psd（或.nsi和.nsd）中。
1.1.1. 参数说明
表：formatdb命令的参数说明
| 参数 | 说明 | 值 | 默认值 | 备注 |
| -t | 数据库的标题【可选】 | 字符 | ||
| -i | 需要创建数据库的文件名 | 文件名 | ||
| -l | 日志文件名 | 文件名 | formatdb.log | |
| -p | 文件数据类型 | [T/F] | T | T – 蛋白质F – 核苷酸 |
| -o | 解析选项 | [T/F] | F | T表示解析序列文件并产生索引文件，F则不解析 |
| -a | 数据库文件是否为ASN.1格式 | [T/F] | F | T为是ASN.1格式 |
| -b | ASN.1的模式 | [T/F] | F | T为二进制，F为文本模式 |
| -e | ASN.1数据库的序列数 | [T/F] | F | T表示数据库中只有一条序列 |
| -n | 重命名数据库文件的名称 | 字符窜 | ||
| -v | 数据库卷的大小 | 整数 | 0 | 单位：兆字符 |
| -s | 限制索引的类型 | [T/F] | F | T为仅用接收号创建索引 |
| -L | 创建数据库别名 | 输出文件名 | ||
| -F | Gi列表的文件名 | 输入文件 | 配合-L使用 | |
| -B | 生成的Gi二进制的文件名 | 输出文件 | 配合-F使用 |
1.1.2. 使用示例与说明
格式一个蛋白质数据库
formatdb -i protein_db_file_name -p T –o T
格式一个核酸数据库
formatdb -i protein_db_file_name -p T –o T
用指定的Gi列表生成一个子数据库
如果经常搜索一个数据库的子集，比如一个核酸库中的家蚕的序列或者蛋白库中的G蛋白序列，可以用这些序列的gi号来限制搜索的范围，而没有必要重新构建这样的数据库，这样即加快了查询速度，又避免另外的磁盘开销。这里以昆虫核酸数据库的限定家蚕的序列为例子：
a） 获得家蚕序列的gi号，可以从文章或者数据库中检索得到。将gi号保存到一个文本文件中，这里命名为“silkworm.gi.txt”；
b） 利用formatdb程序将这个文本文件，转变为二进制文件；
formatdb -F silkworm.gi.txt -B silkworm.gi
c） 调用formatdb创建别名文件
formatdb -i insects -p T -L silkworm -F silkworm.gi -t "My silkworm database"
该命令会创建一个silkworm.pal文件，包含silkworm数据库的标题，限制的gi号文件，及其他一些统计信息，如下：
# # Alias file created Thu Jul 5 15:04:29 2001 # # TITLE My database # DBLIST ../blast/insects # GILIST silkworm.gi # #OIDLIST # NSEQ 1836 LENGTH 640724
d） 搜索家蚕数据库
blastall -p blastn -d silkworm -i MYQUERY -o MYOUTPUT
–o参数的使用
下列情况下，“-o”必须设置为TRUE：
-
a） 使用blastall 或者blastpgp程序，产生的结果为ASN.1格式时；
-
b） blast比对中，“-m”参数设置为非零的值；
-
c） blast比对中，使用“-I”参数，blast结果生成gi列表时；
-
d） 使用fastacmd程序，用接收号或者gi号从数据库中取出序列时。
从NCBI FTP服务器上下载的数据库，或者能保证数据库中的fasta序列都有唯一标识符的数据库，格式数据库时，建议将-o参数设置为TRUE。
超大数据库的格式化
一个单独的blast数据库最大只能为4G，如果格式的数据库大于4G，在“-v”参数未设置的情况下，farmatdb程序会自动对数据库分卷，每卷最大为4G。可以使用“-v”参数设置卷的大小，比如下面命令将卷的大小设置为2G：
formatdb -i hugefasta -p F -v 2000000000
卷的命名规则是，原数据库的名称加两个数字的卷号扩展名，使用数据库时，还是使用原来的数据库名称：
blastall -i infile -d hugefasta -p blastn -o out
其实，blast程序是根据文件名为数据库名加扩展名为“nal”（对于蛋白质数据库扩展名为“pal”）的文件来判断要搜索的数据库的，如上例中，是根据文件“hugefasta.nal”来确定分卷的数据库。“.nal”或“.pal”文件的格式为：
# # Alias file created Tue Jan 18 13:12:24 2000 # # TITLE hugefasta # DBLIST hugefasta.00 hugefasta.01 hugefasta.02 # #GILIST # #OIDLIST #
其中TITLE行定义数据库的标题，DBLIST定义要搜索的数据库名称，数据库名称用空格分开。用户如果要同时搜索多个数据库，可以按照上面文件 的格式，用文本编辑器创建类似的文件，文件名就是数据库的名称，如果是核苷酸数据库，就加“.nal”后缀，如果是蛋白质数据库就加“.pal”后缀。 DBLIST行放入数据库的名称，这样可以像使用其他数据库一样使用这个数据库。例如创建一个”multi.nal”文件，内容如下：
# # Alias file created Tue Jan 18 13:12:24 2000 # # TITLE multi # DBLIST part1 part2 part3 # #GILIST # #OIDLIST #
他包含part1，part2，part3三个数据库，如下命令，对该数据库进行blast
blastall -i infile -d multi -p blastn -o out
数据库的路径问题
如果你的数据库和工作目录不在同一个目录，或者你在几个目录下处理数据，并且对于数据库的需求也同，比如一个家蚕数据处理，一个是果蝇的数据处理，这时你可以用“-n”参数在工作目录下创建一个数据库别名文件，这样可以避免指定数据库是带入冗长的目录：
formatdb -i insects -n ../blast/insects -p T -L wilkworm -F silkworm.gi -t "My database"
这时，会生成类似与下面内容的silkworm.pal文件：
# # Alias file created Thu Jul 5 15:04:29 2001 # # TITLE My database # DBLIST ../blast/insects # GILIST silkworm.gi # #OIDLIST # NSEQ 1836 LENGTH 640724
(通过上面的几个例子，大家一定对.pal文件有了深入的了解，就可以用文本编辑器，编写这个文件，灵活订制数据库，使搜索变得更方便)
格式化自定的数据库
如果是自己构建的数据库，数据库中fasta格式序列命名有以下三种方式：
- a） gnl|database|identifier
- b） lcl|identifier
- c） identifier
identifier为你指定的序列名称，dababase为你要指定的数据库的名称（详细的说明参见fasta序列格式章节）。如果要使用“-o T”设置，序列的名称应该唯一，不能重复。
UNIX或linux下压缩文件不经解压直接格式数据库
uncompress -c nt.Z|formatdb -i stdin -o T -p T -n "nt" -v 100000000
formatdb的日志文件
formatdb会默认生成一个名称为formatdb.log的日志文件，记录数据库生成的时间，及其程序运行的结果。运行程序后，读一下日志文件是很好的习惯，以确保数据库正确格式化。也可以通过“-l”参数指定日志文件。
命令举例：
formatdb-t “E. coli genome”-i U00096.fna -p F -o T -n ecoli
formatdb-t “Clusters of OrthologusGroups”-i COGsDB
formatdb-t “Non-Redundant Protein Database”-i nr -o T
b.Blastall常用参数简析
-p Program Name [String]
所用程序名称[String]，用 户可以根据需要从blastn，blastp，blastx，tblastn，tblastx中任选一程序。
-d Database [String] default = nr
所用序列数据库的名称 [String]，默认为：nr
-i Query File [File In] default = stdin
所用查询序列文件[File In]， 默认为：stdin，本文例为 test.txt
-e Expectation value (E) [Real] default = 10.0
期望值[Real] 默认为10.0 描述搜索某一特定数据 库时，随机出现的匹配序列数目。
-m alignment view options: 比对显 示选项，其具体的说明可以用以下的比对实例说明
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, show 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 = query-anchored no identities and blunt ends,查询-比上区域，不显示一致性，无突然的结束
6 = flat query-anchored, no identities and blunt ends,查询-比上区域的屏文形式，不显示一致性
7 = XML Blast output,XML格式的输出
8 = tabular,TAB格式的输出
9 =tabular with comment lines,带注释行的TAB格式的输出
10 =ASN, text,文本方式的ASN格式输出
11 =ASN, binary [Integer] default = 0,二进制方式的ASN格式输出
-m 8 用法举例说明如下：
A_query B_Sbjct 97.61 585 3 3 309 886 94498 95078 0.0 1017
A_query B_Sbjct 100.00 303 0 0 913 1215 95092 95394 2e-172 601
A_query B_Sbjct 100.00 209 0 0 1 209 94196 94404 3e-116 414
A_query B_Sbjct 100.00 123 0 0 1234 1356 95413 95535 6e-65 244
A_query B_Sbjct 100.00 41 0 0 210 250 94096 94136 5e-16 81.8
A_query B_Sbjct 100.00 35 0 0 251 285 94440 94474 2e-12 69.9
A_query B_Sbjct 100.00 29 0 0 885 913 95747 95775 7e-09 58.0
A_query A_query 97.61 585 3 3 309 886 403 983 0.0 1017
A_query A_query 100.00 303 0 0 913 1215 997 1299 2e-172 601
A_query A_query 100.00 209 0 0 1 209 101 309 3e-116 414
A_query A_query 100.00 123 0 0 1234 1356 1318 1440 6e-65 244
A_query A_query 100.00 41 0 0 210 250 1 41 5e-16 81.8
A_query A_query 100.00 35 0 0 251 285 345 379 2e-12 69.9
A_query A_query 100.00 29 0 0 885 913 1652 1680 7e-09 58.0
结果12列
Query id,Subject id,% identity,alignment length,mismatches,gap openings,q. start,q. end,s. start,s. end,e-value,bit score
-------------------------------------------------------------------------------------------------------------
-o BLAST report Output File [File Out] Optional default = stdout,BLAST报告的输出文件[File Out] 默认为：stdout
-F Filter query sequence (DUST with blastn, SEG with others) [String] default = T
查询序列过滤，将那些 给出影响比对结果的低复杂度区域过滤掉。用blastn进行查询的序列用DUST程序过滤，其他的用SEG过滤 。对DUST和SEG的详细情况，用户可以自己查询资料。
-G Cost to open a gap (zero invokes default behavior) [Integer] default = 0
空位开放罚分[Integer] (设为0则调用默认行为) 默认为0分
-E Cost to extend a gap (zero invokes default behavior) [Integer] default = 0
空位扩展罚分[Integer] (设为0则调用默认行为) 默认为0分
-T Produce HTML output [T/F] default = F
以网页形式打印
-X X dropoff value for gapped alignment (in bits) (zero invokes default behavior)
blastn 30, megablast 20, tblastx 0, all others 15 [Integer]，default = 0
-I Show GI's in deflines [T/F] default = F
提示行显示GI number 默认不显示
-q Penalty for a nucleotide mismatch (blastn only) [Integer] default = -3
核酸序列基对不匹配所罚分数(blastn only) [Integer] 默认罚3分
-r Reward for a nucleotide match (blastn only) [Integer] default = 1
核苷酸序列基对匹配所加分数(blastn only) [Integer] 默认加1分
-g Perfom gapped alignment (not available with tblastx) [T/F] default = T
是否执行带缺口的比对(not available with tblastx) 默认为是
-a Number of processors to use [Integer] default = 1
使用处理器的数目[Integer] 默认为单机
-B Number of concatenated queries, for blastn and tblastn [Integer] Optional default = 0
需要联配查询的序列数目 for blastn and tblastn [Integer] 默认为单序列
-M Matrix [String],default = BLOSUM62 打分矩阵，默认BLOSUM62
-W Word size, default if zero (blastn 11, megablast 28, all others 3) [Integer] default = 0
所开窗口
-w Frame shift penalty (OOF algorithm for blastx) [Integer] default = 0
窗口罚分
blastall -p blastn -i myRNA.fasta -d humanRNA.fasta -o myresult.blastout -a 2 -F F -T T -e 1e-10
解释如下：
blastall: 这是本地化/命令行执行blast时的程序名字！(Tips:blastall直接回车就会给出你所有的参数帮助，但是英文的)
-p: p 是program的简写,program在计算机领域中是程序的意思。此参数是指定要使用何种子程序，所谓子程序，就是针对不同的需要，如核酸序列和核酸序列进行比对、蛋白质序列和蛋白质序列进行比对、假设翻译后核酸序列于蛋白质序列进行比对，选择相应的子程序: blastn 是用于核酸对核酸 blastp 是蛋白质对蛋白质序列 等等，一共5个自程序。
-i: i 是input的简写，意思是输入文件，就是你自己的要进行比对的序列文件(fasta格式）
-d: d是database的简写,意思是要比对的目标数据库,在例子中就是humanRNA.fasta (别忘了要formatdb)
-o: o是output的简写，意思是结果文件名字，这个根据你自己的习惯起名字，可以带路径，(上边两个参数-i -d 也都可以带路径)
*注意以上4个参数是必须的，缺一不可，下面的参数是为了得到更好的结果自己可调的参数，如果你不加也没有关系，blastall程序本身会给一个默认值！
-a: 是指计算时要用的CPU个数，我的机器有两个CPU，所以用-a 2，这样可以并行化进行计算，提高速度，当然你的计算机就一个CPU,可以不用这个参数，系统默认值为1,就是一个CPU
-F: 是filter的简写，blastall程序中有对简单的重复序列和低复杂度的一些repeats过滤调，默认是T (注意以后的有几种参数就两个选项，T/F T就是ture,真，你可以理解为打开该功能; F就是false，假，理解为关闭该功能)
-T: 是HTML的简写，是指blast结果文件是否用HTML格式，默认是F!如果你想用IE看，我建议用-T T
-e: 是Expectation value，期望值，默认是10，我用的10-10！