展开分子生物学研究工作, 当获取到一段未知的基因亦或是蛋白序列没多久后, 最先映入脑海里的直观念头便是前往NCBI数据库那儿去“认亲”。借助BLAST软件来开展核酸序列同源性分析工作, 此种做法可不单单是用以确定序列具备何种功能的基础方式手段, 它更是在挖掘物种之间进化关系、设计引物之际以及验证克隆最终结果等多项工作进程里的关键步骤环节之一。有不少人认为这不过是点击几下按钮就能完成的简单操作, 然而事实上, 怎样去正确解读E值、比对时的覆盖率以及一致性百分比这些内容, 才是决定整个实验究竟是成功还是失败的核心要点所在。熟练掌握这一工具, 能够使得你所拥有的数据在表达观点时更具说服力, 更有让人信服的底气。
BLAST结果怎么看才不踩坑
在拿到比对报告之后, 通常第一眼会看向E值, 觉得它越小便意味着越好, 这样的想法并没错, 然而却不全面。E值表征的是随机匹配概率, 其所对应的数值越趋向于零, 就表明相似形越显著, 只是在高相似度的区域当中, 即便E值稍显大, 却也有可能具备生物学意义。更为关键之处在于要对Query Cover予以关注, 也就是查询序列于目标序列里的覆盖比例。要是覆盖率仅仅只有30%,就算一直性高达99%基于ncbi/blast软件的核酸序列同源性分析, 那也仅仅是一小片同源区域, 没办法代表整体功能。
除了数字之外, 还得查看比对图。绿色的区块呈现出完全匹配的状态, 红形则代表错配。要是中间出现大片红色或者缺口, 那就表明存在插入或者缺失突变。在这种时候不要急于下结论, 也许需要对参数予以调整, 比如说选择Megablast来进行高度相似的序列搜索, 又或者运用Discontiguous Megablast去处理含有大量变异的序列。
如何选择对的BLAST算法类型
NCBI给出了好些BLAST程序, 选差了就仿佛拿显微镜瞧地图, 既费劲又瞅不清。要是属于自身测序得出的新基因, 打算同已知物种作比对, 通常头选blastn。它特地用于核苷酸序列跟核苷酸数据库的比对, 灵敏度高, 适宜寻觅直系同源基因。
然而, 当序列存有较多变异情况, 或者你打算借助氨基酸翻译来探寻远缘同源关系之际, tblastx就发挥作用了。它会把查询序列以及数据库序列均翻译成六框蛋白, 随后展开比较,能够找出在核苷酸层面保守且在密码子简并性上存有差异的同源序列。对于迅速筛选高度相似序列而言基于ncbi/blast软件的核酸序列同源性分析, Megablast算是最佳之选, 速度快且特异性极高；要是需要检测低复杂度区域或者内含子结构, 普通blastn搭配适宜的过滤参数会更为妥当。
