BLASTX优化方案

本文总结了生物信息人员在使用BLASTX的一些经验，期待与其他同行交流BLASTX的优化经验。

0 前言

BLAST作为生物信息最重要的局部比对工具，在序列物种注释和基因注释起重要作用。其中BLASTX(将query序列翻译成氨基酸序列和蛋白数据库进行比对)常常作为对核酸序列的基因注释工具。BLASTX先要将DNA序列按照6个读码框翻译成氨基酸序列，从而BLASTX的比对时间和需要计算资源都是比较大的，如何减少运行时间和降低运算成本，成为生信工作人员关心的重要问题之一。另外，本文主要讨论BLASTX工具的优化，其他BLASTX的替代工具，比如DIAMOND等，不在此文的讨论范围。

1 使用ncbi-blast+工具替换blastall

NCBI在1989年引入BLAST软件包，现在叫legacy_blast，主要是通过blastall 去调用 blastx，blastall最后一个版本更新在2016年。2009年，NCBI发布了检索速度更快，输出格式更为多样化的 ncbi-blast+软件包 。BLAST+的特点为：擅长处理长查询序列，将长序列切成短序列，即减少了内存消耗又更好的利用CPU计算架构，提高了比对效率，详情见 Command Line Applications User Manual 。BLAST+软件包将BLASTN，BLASTP和BLASTX单独拆分出来并分别进行了优化和处理，因而计算速度比blastall有了很大的提升。具体测试结果可以看ncbi-blast+的 user_manual 。

2 使用blastx-fast模式

ncbi-blast+软件包对blastx-fast的比对模式介绍比较少，没有详细说明fast模式用了什么参数或者算法，本人的猜想可能是做了贪婪算法，增加或者减少一些参数阈值，比如增大word-size参数值等。blast2go是作为核酸比对蛋白序列使用广泛的工具包，在进行序列比对时，采用的BLASTX参数是： -task blastx-fast 。本文作者也是用一些数据进行了测试。ncbi-blast+版本： ncbi-blast+ 2.4.0。query数据：MEGA-HIT软件组装双端测序数据，得到的contigs核酸序列和截取的其中10,000条contigs的部分核酸序列（final.contigs.fa和final.contigs.10000.fa），数据详情见下 表1 。

表1 query数据（DNA)

从运行时间来看，blastx-fast 大约为BLASTX的 1/3。本文采用的是基因组组装结果序列，contigs的长度最长有390多kb，BLAST+软件包对长的查询文件优化提升很多。根据多次的经验来看，BLASTX-fast的运行时间大约是BLASTX的1/4~1/3。一致性比较如下 表5 。

表5 结果一致性比较表

交集/blastx-fast_query是为了比较公共集合占总query数的百分比。从运行结果来看，发现 blastx-fast模式的结果，基本上属于BLASTX结果的子集。在14万条查询序列也能保持很高的一致性。本文推测，blastx-fast比blastx的结果要少一些，漏掉的比例在 5%左右，漏掉的结果可能是假阳性或者真阳性结果。

blast2go在其官网一些案例使用的是blastx-fast模式。 官方帮助文档 ，参考第10页也是使用blastx-fast。

3 充分利用cpu并行任务

对于通过云计算申请的机子，计费按使用时间算，尽量最大限度地使用计算资源，一方面减少运行时间，另一方面减少计算花费。当一条query在和database比对的时候，可能只占了部分内存和部分CPU，如果能在申请的实例，在保证多个任务不会带来太大的IO和线程切换问题，可以尝试尽量多并行几个任务。观察单个任务的CPU和内存的使用状态，发现虽然BLASTX设置的CPU为8个，但是实际使用的却只有200%，空闲600%的CPU。根据上述的观察结果，设计了测试，如 表6 所示

表6 不同数据切分和cpu的组合试验