介绍

BLAT（BLAST-Like alignment tool）即类BLAST联配工具，由James Kent于2002年开发。当时随着人类基因组计划的进展，需要在短时间内将大量表达序列标签（EST）比对到人类基因组来进行注释，BLAST针对这种需求存在几个明显的缺陷（1. BLAST处理速度较慢，而且运算得到的结果难以处理，2. BLAST无法表示出内含子的基因位置信息），BLAT应运而生[1]。

BLAT已成为一个没有得到积极开发的遗留工具[2]，github中建议新用户使用razers3[3]。

但是我经常还是可以看到很多人在用，我们简单了解一下BLAT。

BLAT和BLAST主要区别[1]：

  • BLAST是将查询序列索引化，而BLAT是将庞大的目标数据库索引化，然后线性搜索查询序列。所以BLAT要比BLAST快很多。
  • BLAST是将搜索数据库中所有与子序列精确匹配的序列（hit）向两个方向继续延伸，即延伸发生在一两个相邻位置的hit之间；BLAT则可以扩展任何数目的hit。
  • BLAST将两个序列之间的每个同源区域作为单独的比对结果返回，而BLAT则将它们“缝合”在一起，返回一个大的联配结果。BLAT有特殊的代码处理RNA/DNA比对过程中的内含子。因此在RNA/DNA比对中，BLAST返回的是一个包含每个外显子的联配结果，而BLAT返回的是一个大的完整的基因联配结果，可以给出正确的剪接位点。

注意：因为BLAT的算法，是将整个数据库全部读入内存进行比对。因此如果服务器内存不够大，不建议使用BLAT进行nt/nr等大数据库的比对[4]。

BLAT的典型用途包括：

  • 将mRNA比对到同种基因组来预测其在基因组上的位置；
  • 在进化关系较近的物种之间，可以将一个物种的蛋白质或mRNA比对到另一个同源物种的数据库（基因组），来确定同源区域；
  • 确定基因的外显子和内含子在基因上的分布等。

运行

参数说明

  1. blat
  2. ## blat - Standalone BLAT v. 37x1 fast sequence search command line tool
  3. ## usage:
  4. ##    blat database query [-ooc=11.ooc] output.ps

blat:

  • database: 可以是.fa、.nib或.2bit文件，或者是每行一个文件名的文本文件
  • -ooc=11.ooc: 包含所有需要排除的长度为11的k-mer的文件，不需要指定改参数
  • output.psl: 输出文件名
  • -t：指定数据库的类型，dna/prot/dnax
  • -q: 指定序列类型，dna/rna/prot/dnax/rna
  • -noHead: 不输出表头信息，有助于结果文件的后续处理
  • -out：指定输出的文件格式，psl/pslx/sxt/maf/sim4/wublast/blast/blast8/blast9

因此，blat database query output.psl不加任何其他参数的情况下就是比对核酸序列。

实操

我选择Arabidopsis thaliana的两个基因AT1G01010和AT1G01020的CDS序列与基因组进行比较。

  1. cat test.cds.fa
  2. ## >AT1G01010
  3. ## ATGGAGGATCAAGTTGGGTTTGGGTTCCGTCCGAACGACGAGGAGCTCGTTGGTCACTATCTCCGTAACAAAATCGAAGGAAACACTAGCCGCGACGTTGAAGTAGCCATCAGCGAGGTCAACATCTGTAGCTACGATCCTTGGAACTTGCGCTTCCAGTCAAAGTACAAATCGAGAGATGCTATGTGGTACTTCTTCTCTCGTAGAGAAAACAACAAAGGGAATCGACAGAGCAGGACAACGGTTTCTGGTAAATGGAAGCTTACCGGAGAATCTGTTGAGGTCAAGGACCAGTGGGGATTTTGTAGTGAGGGCTTTCGTGGTAAGATTGGTCATAAAAGGGTTTTGGTGTTCCTCGATGGAAGATACCCTGACAAAACCAAATCTGATTGGGTTATCCACGAGTTCCACTACGACCTCTTACCAGAACATCAGAGGACATATGTCATCTGCAGACTTGAGTACAAGGGTGATGATGCGGACATTCTATCTGCTTATGCAATAGATCCCACTCCCGCTTTTGTCCCCAATATGACTAGTAGTGCAGGTTCTGTGGTCAACCAATCACGTCAACGAAATTCAGGATCTTACAACACTTACTCTGAGTATGATTCAGCAAATCATGGCCAGCAGTTTAATGAAAACTCTAACATTATGCAGCAGCAACCACTTCAAGGATCATTCAACCCTCTCCTTGAGTATGATTTTGCAAATCACGGCGGTCAGTGGCTGAGTGACTATATCGACCTGCAACAGCAAGTTCCTTACTTGGCACCTTATGAAAATGAGTCGGAGATGATTTGGAAGCATGTGATTGAAGAAAATTTTGAGTTTTTGGTAGATGAAAGGACATCTATGCAACAGCATTACAGTGATCACCGGCCCAAAAAACCTGTGTCTGGGGTTTTGCCTGATGATAGCAGTGATACTGAAACTGGATCAATGATTTTCGAAGACACTTCGAGCTCCACTGATAGTGTTGGTAGTTCAGATGAACCGGGCCATACTCGTATAGATGATATTCCATCATTGAACATTATTGAGCCTTTGCACAATTATAAGGCACAAGAGCAACCAAAGCAGCAGAGCAAAGAAAAGGTGATAAGTTCGCAGAAAAGCGAATGCGAGTGGAAAATGGCTGAAGACTCGATCAAGATACCTCCATCCACCAACACGGTGAAGCAGAGCTGGATTGTTTTGGAGAATGCACAGTGGAACTATCTCAAGAACATGATCATTGGTGTCTTGTTGTTCATCTCCGTCATTAGTTGGATCATTCTTGTTGGTTAA
  4. ## >AT1G01020
  5. ## ATGGCGGCGAGTGAACACAGATGCGTGGGATGTGGTTTTAGGGTAAAGTCATTGTTCATTCAATACTCTCCGGGTAACATTCGTCTCATGAAATGCGGAAATTGCAAGGAAGTAGCAGATGAGTACATCGAGTGTGAACGCATGATTATTTTCATCGATTTAATCCTTCACAGACCAAAGGTATATAGACACGTCCTCTACAATGCAATTAATCCAGCAACTGTCAATATTCAGCATCTGTTGTGGAAGTTGGTCTTCGCCTATCTTCTTCTAGACTGTTATAGAAGCTTGCTACTGAGAAAAAGTGATGAAGAATCGAGCTTTTCTGATAGCCCTGTTCTTCTATCTATAAAGGTTCTGATTGGTGTCTTATCTGCAAACGCTGCATTTATCATCTCTTTTGCCATTGCGACTAAGGGTTTGCTAAATGAAGTTTCCAGAAGAAGAGAGATTATGTTGGGGATATTCATCTCTAGTTACTTCAAGATATTTCTGCTTGCGATGTTGGTATGGGAATTCCCAATGTCAGTGATTTTTTTTGTCGATATACTTCTCTTAACATCAAACTCCATGGCTCTTAAAGTGATGACTGAATCAACAATGACCAGATGCATAGCCGTATGCTTAATCGCGCACTTGATTAGATTCTTGGTGGGTCAGATTTTTGAGCCGACAATATTTTTGATACAAATTGGATCTCTGTTGCAATATATGTCTTATTTTTTCAGAATCGTATGA
  1. blat test.cds.fa Arabidopsis_thaliana.genome.fa output.psl

结果

通过比较可以发现，BLAT基本可以找到CDS序列各外显子的位置。

  1. cat output.psl
  2. ## psLayout version 3
  3. ## 
  4. ## match   mis-    rep.    N's     Q gap   Q gap   T gap   T gap   strand  Q               Q       Q       Q       T               T       T       T       block   blockSizes      qStarts  tStarts
  5. ##         match   match           count   bases   count   bases           name            size    start   end     name            size    start   end     count
  6. ## ---------------------------------------------------------------------------------------------------------------------------------------------------------------
  7. ## 1290    0       0       0       5       581     0       0       +       Chr1    30427671        3759    5630    AT1G01010       1290    0       1290    6       154,278,125,388,155,190,        3759,3995,4482,4707,5173,5440,  0,154,432,557,945,1100,
  8. ## 738     0       0       0       8       1014    0       0       -       Chr1    30427671        6914    8666    AT1G01020       738     0       738     9       96,48,87,49,72,85,69,77,155,    30419005,30419207,30419346,30419681,30419836,30420020,30420218,30420438,30420602,       0,96,144,231,280,352,437,506,583,
  • 第1~8列：通体的比对统计，包括精确比对碱基数、错配、query和subject上的gap个数与gap总长等；
  • 第9~17列：比对位置信息，包括比对方向、query和subject的名字、长度、比对起止位置；
  • 第18~21列：显示每一个精确比对的block的信息，包括blocks数、每个block的长度和在query、subject上的位置。

注意：结果里面碱基位置的计算是从0开始的而不是1。

参考

  1. 《生物信息学》樊龙江
  2. https://github.com/djhshih/blat
  3. https://github.com/seqan/seqan/tree/main/apps/razers3
  4. 公众号 | universebiologygirl | 序列比对，不止BLAST
  5. 公众号 | 林木科学评论 | BLAT比对（完美解决scaffold顺序问题）

以上可能会有错误，欢迎交流。