BLSAT本地化完全教程

1、BLSAT本地化完全教程Setp1: Blast软件下载与安装1.对于windows 2000/xp 用户，下载blast-2.2.18-ia32-win32.exe安装文件/blast/executables/LATEST/blast-2.2.18-ia32-win32.exe 2.创建一个新目录，例如C:blast，将下载的文件blast-2.2.18-ia32-win32.exe复制到该目录，双击这个文件，自解压产生bin、data、doc三个目录，bin是程序目录，data是程序使用数据的目录，doc是文档目录。表：bin目录中的程序程

2、序说明bl2seq.exe进行两条序列比对blastall.exe做普通的blast比对blastclust.exe blastpgp.exe copymat.exe fastacmd.exe通过gi号，接收号等，在数据库中检索序列formatdb.exe格式化数据库formatrpsdb.exe impala.exe makemat.exe megablast.exemegablast程序rpsblast.exe seedtop.exe 3.用文本编辑器创建一个ncbi.ini文件，文件包含下面内容：NCBIDa

3、ta="C:blastdata"将ncbi.ini文件存放到系统的Windows 或者 WINNT目录。4.将”C:blastbin”目录添加路径中（该步骤非必须，但会给以后的操作带来方便），方法：1）右击我的电脑选择属性，选择高级，点击环境变量，设置环境变量2）系统变量中，选择Path，点击“编辑”，在变量值的后面添加“; C:blastbin”，点击确定将安装路径添加到path5.测试，打开dos窗口（点击开始，选择运行，打开的输入框中输入“cmd”，确定），键入“blastall”，回车，如果安装正确，将显示 blastall的所有参数说明。安装测试注意：·

4、 如果报错：“blastall不是内部或外部命令，也不是可运行的程序或批处理文件。”，请检查环境变量设置，或者切换到安装目录的bin目录下，再执行。 · 如果报错：“FATAL ERROR: FindPath failed.”，请检查ncbi.ini文件。Step2: 构建自己的搜索数据库blast数据库指包含fasta格式的核苷酸或者蛋白质序列的文件，有三种方式得到fasta格式的序列。 1 从NCBI的FTP下载相关的数据库文件FTP地址：/blast/db/，如果你仅是一个测试，请下载一个较小的文件作为例子，例如下载大肠杆菌的核酸序列库

5、ecoli.nt.Z (1349 Kb)。FTP上的数据库文件都经过了压缩，有关每个文件的含义，请看该目录下说明文件（/blast/db/blastdb.html ），下表FASTA目录下文件的说明：文件名大小（kb）内容alu.a.gz90alu重复序列的转录的蛋白质alu.n.gz24alu重复序列drosoph.aa.gz4183果蝇的蛋白质序列 drosoph.nt.gz36059果蝇基因组组序列env_nr.gz806964环境蛋白质序列env_nt.gz2298189环境核酸序列est_human.gz1395676人的EST序列

6、est_mouse.gz774668老鼠的EST序列est_others.gz7360044除人和老鼠以外的其他物种的EST序列gss.gz4772615来源于GenBank, EMBL, and DDBJ的GSS序列htg.gz6148203来源于GenBank, EMBL, and DDBJ的高通量基因组测序序列human_genomic.gz2509222人类基因组序列(NC_#)igSeqNt.gz18900人和老鼠的免疫球蛋白可变区的核酸序列igSeqProt.gz3072人和老鼠的免疫球蛋白可变区的蛋白质序列mito.aa.gz316线粒体蛋白质序列mito.nt.gz935线粒体

7、基因组month.aa.gz50009每月更新的蛋白质序列month.est_human.gz1每月更新的人的EST序列month.est_mouse.gz1每月更新的老鼠的EST序列month.est_others.gz237790每月更新的其他物种的EST序列month.gss.gz71872每月更新的GSS序列month.htgs.gz238921每月更新的htgs序列month.nt.gz54904每月更新的核酸序列nr.gz1512614来源于GenPept, Swissprot, PIR, PDF, PDB, and RefSeq的非冗余蛋白质序列nt.gz6619394除wgs,

8、 gss, sts, pat, est, htg以外的核酸序列，注意不是非冗余的other_genomic.gz1066358人以外的其他物种的染色体序列(NC_#)pataa.gz65344专利的蛋白质序列patnt.gz890761专利的核酸序列pdbaa.gz7541来源于pdb蛋白质结构数据库中的蛋白质序列pdbnt.gz269来源于pdb的核苷酸序列sts.gz159256STS序列swissprot.gz86939swiss-prot 蛋白质序列vector.gz812载体序列wgs.gz31769282全基因组shotgun拼接序列yeast.aa.gz1906酵母蛋白质序列ye

9、ast.nt.gz3645酵母基因组序列注：更新时间为2008-5-262 从搜索结果构建数据库通过NCBI提供的数据库搜索引擎，选择相关数据库进行搜索，将得到的结果保存为fasta格式，作为blast比对用的数据库。以建立一个G蛋白基因核苷酸数据库为示：1）打开/ 主页，选择核苷酸数据库（Nucleotide），输入“G protein”，点击“Go”，开始搜索在 NCBI执行搜索2）搜索到结果页面中，在Display的下拉框中选择FASTA切换为 fasta格式3）在Send to的下拉菜单，选择file选择 file进行保存4）将结果保

10、存到磁盘保存到磁盘3 由测序结果直接构建自己的数据库测序结果，经过处理（比如去除载体、重复序列、拼接等）后，然后将结果转换为fasta格式。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） identifieridentifier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）Step3: 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b

11、lastall、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

12、。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/FTT 蛋白质F 核苷酸-o解析选项T/FFT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/FFT为是ASN.1格式-bASN.1的模式T/FFT为二进制，F为文本模式-eASN.1数据库的序列数T/FFT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

13、60; -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/FFT为仅用接收号创建索引-L创建数据库别名输出文件名  -FGi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

14、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.gic）  调用formatdb创建别名

15、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 1836LENGTH 640724d）  搜索家蚕数

16、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fa

17、sta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，bla

18、st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，

19、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blastblastall -i inf

20、ile -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

21、 created Thu Jul  5 15:04:29 2001#TITLE My database#DBLIST ./blast/insects#GILIST silkworm.gi#OIDLIST#NSEQ 1836LENGTH 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）&#

22、160; lcl|identifier· c）  identifieridentifier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 100000000formatdb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

23、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 ecoliformatdb-t “Clusters of OrthologusGroups”-i COGsDBformatdb-t “Non-Redundant Protein Database”-i nr -o T用blastall进行序列比对blastall是最常用的blast程序之一，其功能非常强大，其下面有非常多的参数，但是一般使用的参数如：-p、-i、-

24、d、-o、-e等几个。· -p: 执行的程序名称 · -d: 搜索的数据库名称 · -i : 要查询的序列文件名(Query File) · -e:(数学)期望值(Expectation value)，E值是个统计阈值，缺省值10, 意指比对结果中由于随机偶然性产生的匹配结果不大于10,E值越小结果越可靠。 · -o :查询结果输出文件名 · -m: 比对结果显示格式选项，缺省值为0 ，即pairwise格式。另外还可以根据不同的需要选择16等不同的格式。 · -I :在描述行中显示gi号T/F，缺省值F · -v

25、 :单行描述（one-line description）的最大数目，缺省值500 · -b :显示的比对结果的最大数目，缺省值250 · -F :对于要查询的序列做低复杂度区域(low complexity regions, LCR)的过滤T/F，缺省值T。对blastn用的是DUST程序，其他比对用的是SEG程序。 · 所谓“低复杂度区域”是指某些或一些残基过多表现，短周期重复等。对于高等哺乳动物的基因组序列，可以先用RepeatMask程序遮蔽重复元件。在输出结果中，对LCR区的序列核酸用“N”代替，蛋白质序列用“X”代替。 · -a:运行BLAST

26、程序所使用的处理器的数目，缺省值1 · -S:在数据库中搜索时所使用的核酸链（strand），只对blastn、blastx和tblastx有效；1表示top，2表示 bottom，3表示both；缺省值3 · -T: 产生HTML格式的输出T/F，缺省值F · -n: 使用MegaBlast搜索T/F，缺省值F · -G: 打开一个gap的罚分（0表示使用缺省设置值），默认0 · -E: 扩展一个gap的罚分（0表示使用缺省设置值），默认0 · -q: 一个核酸碱基的错配(mismatch)的罚分（只对blastn有效），缺省值-3

27、 · -r : 一个核酸碱基的正确匹配(match)的奖分（只对blastn有效），缺省值1 · -M: 所使用的打分矩阵，缺省值BLOSUM621.1.1.    参数说明基本参数、比对优化参数、结果输出参数、控制输入参数表：blastall命令的参数说明参数说明值默认值备注-p使用的程序字符String blastnblastpblastx tblastntblastx-d使用的数据库文件名File Innr -i搜索用的序列文件名File Instdin -e期望值数字Real10.0 -m控制比对

28、结果的样式0到11的整数Integer00 = pairwise,1 = query-anchored showing identities,2 = query-anchored no identities, 3 = flat query-anchored, show identities,4 = flat query-anchored, no identities,5 = query-anchored no identities and blunt ends,6 = flat query-anchored, no identities and blunt ends,7 = XML Blast

29、 output,8 = tabular,9 tabular with comment lines10 ASN, text11 ASN, binary-o比对结果存放的文件名文件名File Outstdout -F过滤询问序列StringTDUST with blastn, SEG with others-G打开gap得分Integer-1 -E延伸gap得分Integer-1 -XX dropoff value for gapped alignment (in bits)Integer0blastn 30, megablast 20, tblastx 0, all

30、 others 15-I显示gi号Show GIs in deflinesT/FF -q核酸错配罚分Integer-3blastn only-r核酸匹配得分Integer1blastn only-vNumber of database sequences to show one-line descriptions for (V)Integer500 -bNumber of database sequence to show alignments for (B)Integer250 -fThreshold for extending hitsInteger0blas

31、tp 11, blastn 0, blastx 12, tblastn 13, tblastx 13, megablast 0-gPerform gapped alignmentT/FTnot available with tblastx-Q指定询问序列使用的遗传密码Integer1 -D指定数据使用的遗传密码Integer1for tblastnx only-a使用CPU的数目Integer1 -OSeqAlign fileFile Out 可选-JBelieve the query deflineT/FF -M比对使用的矩阵StringBLOSUM6

32、2 -WWord sizeInteger0blastn 11, megablast 28, all others 3-z数据库的有效长度Effective length of the databasReal0use zero for the real size-KNumber of best hits from a region to keepInteger0off by default, if used a value of 100 is recommended-P0 for multiple hit, 1 for single hitInteger0does not apply

33、to blastn-YEffective length of the search spaceReal0use zero for the real size-SQuery strands to search against databaseInteger3for blastnx, and tblastx, 3 is both, 1 is top, 2 is bottom-T将结果保存为HTML格式T/FF -l通过gi号列表，限制搜索范围StringOptional -UUse lower case filtering of FASTA sequenceT/FOptiona

34、l -yX dropoff value for ungapped extensions in bitsReal0.00.0 invokes default behavior blastn 20, megablast 10, all others 7-ZX dropoff value for final gapped alignment in bitsInteger0blastn/megablast 50, tblastx 0, all others 25-RPSI-TBLASTN checkpoint fileFile InOptional -nMegaBlast sear

35、chT/FF -LLocation on query sequencStringOptional -AMultiple Hits window sizeInteger0default if zero (blastn/megablast 0, all others 40)-wFrame shift penaltyInteger0OOF algorithm for blastx-tLength of the largest intron allowed in a translated nucleotide sequence when linking multiple disti

36、nct alignmentsInteger00 invokes default behavior; a negative value disables linking.-BNumber of concatenated queriesInteger0for blastn and tblastn-VForce use of the legacy BLAST en gineT/FFOptional-CUse composition-based statistics for tblastnStringDD or d: default (equivalent to F)   

37、;   0 or F or f: no composition-based statistics      1 or T or t: Composition-based statistics as in NAR 29:2994-3005, 2001       2: Composition-based score adjustment as in Bioinformatics 21:902-911,          2005, conditioned on sequence properties      3: Composition-based score adjustment as in Bioinformatics 21:902-911,          2005, unconditionally