W 2026 roku baza danych GenBank przechowuje ponad 3,7 biliona par zasad sekwencji nukleotydowych. Ktoś musi przez to wszystko przeszukiwać. I tu pojawia się BLAST – narzędzie, które od 1990 roku jest absolutnym standardem w laboratoriach bioinformatycznych, a liczba cytowań oryginalnej publikacji Altschula i współpracowników przekroczyła 100 000. To prawdopodobnie najczęściej cytowany artykuł naukowy w historii biologii molekularnej.
Kiedy po raz pierwszy zetknęłam się z BLAST podczas pracy nad projektem bioremediacji w dolinie Odry, poczułam coś w rodzaju ulgi – zamiast ręcznie porównywać setki sekwencji bakteryjnych wyizolowanych z próbek osadów, mogłam w kilka minut dowiedzieć się, z jakim organizmem mam do czynienia. Dziś pokażę, jak to zrobić krok po kroku.
Czym właściwie jest BLAST i jak działa algorytm
BLAST to skrót od Basic Local Alignment Search Tool. Nazwa mówi dużo: narzędzie szuka lokalnych dopasowań, czyli nie wymaga, żeby cała sekwencja zapytania pasowała do sekwencji w bazie danych. Wystarczy, że fragment – nawet kilkadziesiąt nukleotydów – jest wystarczająco podobny. To kluczowa różnica w stosunku do wcześniejszych metod globalnego dopasowania, takich jak algorytm Needlemana-Wunscha.
Algorytm działa w trzech etapach. Najpierw dzieli sekwencję zapytania na krótkie słowa (words) o długości k – domyślnie 11 nukleotydów dla DNA i 3 aminokwasy dla białek. Następnie wyszukuje w bazie danych dokładne lub niemal dokładne trafienia tych słów. Wreszcie rozszerza znalezione trafienia w obie strony, dopóki wynik dopasowania rośnie powyżej ustalonego progu. Ten mechanizm pozwala ominąć porównywanie każdej sekwencji z każdą – co przy miliardach sekwencji w GenBank byłoby obliczeniowo niemożliwe w rozsądnym czasie.
Heurystyczny charakter BLAST oznacza, że narzędzie może pominąć bardzo słabe, ale biologicznie istotne dopasowania. W praktyce jednak dla typowych analiz identyfikacyjnych jest to marginalny problem.
Ważne jest rozróżnienie między BLAST a dokładnym przeszukiwaniem sekwencji. BLAST nie gwarantuje znalezienia absolutnie najlepszego dopasowania – gwarantuje znalezienie dopasowań powyżej określonego progu statystycznego w czasie wielokrotnie krótszym niż metody dokładne.
Pięć programów BLAST – który wybrać
Na stronie NCBI BLAST (blast.ncbi.nlm.nih.gov) dostępnych jest kilka wariantów narzędzia. Wybór właściwego programu to pierwszy krok, który decyduje o sensowności wyników.
| Program | Sekwencja zapytania | Baza danych | Typowe zastosowanie |
|---|---|---|---|
| blastn | nukleotydowa | nukleotydowa | Identyfikacja sekwencji DNA, np. wyniki sekwencjonowania Sangera |
| blastp | aminokwasowa | aminokwasowa | Identyfikacja białek, analiza homologii funkcjonalnej |
| blastx | nukleotydowa (tłumaczona) | aminokwasowa | Poszukiwanie homologów białkowych dla nowej sekwencji DNA |
| tblastn | aminokwasowa | nukleotydowa (tłumaczona) | Znajdowanie genów kodujących znane białko |
| tblastx | nukleotydowa (tłumaczona) | nukleotydowa (tłumaczona) | Porównywanie sekwencji DNA na poziomie białkowym |
Dla większości początkujących użytkowników: jeśli masz sekwencję DNA z sekwencjonera i chcesz wiedzieć, co to jest – zacznij od blastn. Jeśli interesujesz się funkcją białka – użyj blastp. Blastx jest szczególnie przydatny, gdy sekwencja jest nowa i nie wiesz, czy ma homologi białkowe.
Krok po kroku: pierwsze wyszukiwanie w BLAST
Krok 1: Przygotowanie sekwencji zapytania
Sekwencja musi być w formacie FASTA lub jako surowy ciąg nukleotydów/aminokwasów. Format FASTA wygląda tak: pierwsza linia zaczyna się od znaku > i zawiera nazwę sekwencji, kolejne linie to sama sekwencja. Przykład dla fragmentu genu 16S rRNA bakterii izolowanej z próbki glebowej:
>Probka_gleba_Odra_2026_izolat3
AGAGTTTGATCCTGGCTCAGATTGAACGCTGGCGGCAGGCCTAACACATGCAAGTCGAACGGTAACAGG
Sekwencja nie powinna zawierać spacji wewnątrz ciągu. Znaki niejednoznaczne (N dla nukleotydów, X dla aminokwasów) są akceptowane, ale ich nadmiar obniża jakość wyników. Jeśli sekwencja pochodzi z sekwencjonowania Sangera, usuń regiony o niskiej jakości – zazwyczaj pierwsze 20–50 i ostatnie 20–50 nukleotydów chromatogramu.
Krok 2: Wybór bazy danych
Na stronie NCBI BLAST dostępnych jest kilka baz. Dla sekwencji nukleotydowych najważniejsze to:
- nr/nt – baza nieredundantna, największa, zawiera sekwencje ze wszystkich organizmów; dobra do identyfikacji ogólnej
- RefSeq – sekwencje referencyjne, zweryfikowane i adnotowane; lepsza do analiz porównawczych
- 16S ribosomal RNA sequences – dedykowana do identyfikacji bakterii i archeonów na podstawie genu 16S; szybsza i dokładniejsza dla mikrobiologów
- Whole-genome shotgun contigs (wgs) – dane z projektów sekwencjonowania genomów, przydatna gdy szukasz sekwencji z projektów metagenomicznych
Dla białek główna baza to nr (non-redundant protein sequences) lub UniProtKB/Swiss-Prot – ta ostatnia zawiera tylko manualnie zweryfikowane wpisy, co zmniejsza ryzyko propagacji błędnych adnotacji.
Krok 3: Ustawienia parametrów
Domyślne parametry działają dobrze dla większości analiz, ale kilka ustawień warto rozumieć:
- Word size – długość początkowych słów; mniejsza wartość = większa czułość, dłuższy czas obliczeń. Dla sekwencji bardzo podobnych (>95% identyczności) można zwiększyć do 28.
- Expect threshold (E-value) – domyślnie 0,05; im niższy, tym bardziej rygorystyczny próg statystyczny. Dla wstępnej eksploracji można zwiększyć do 10, dla pewnych identyfikacji zmniejszyć do 1e-10.
- Max target sequences – domyślnie 100 wyników; przy analizach filogenetycznych warto zwiększyć do 500.
- Low complexity filter – domyślnie włączony; maskuje powtórzenia i regiony o niskiej złożoności, które dają fałszywe trafienia.
Krok 4: Uruchomienie wyszukiwania
Po wklejeniu sekwencji i ustawieniu parametrów klikasz BLAST. Czas oczekiwania zależy od długości sekwencji, wybranej bazy i obciążenia serwerów NCBI. Dla pojedynczej sekwencji 16S (~1500 bp) w bazie 16S rRNA wyniki pojawiają się zazwyczaj w 15–60 sekund. Dla blastx w bazie nr przy długiej sekwencji genomowej może to potrwać kilka minut.
NCBI generuje unikalny identyfikator wyszukiwania (RID), który pozwala wrócić do wyników później – ważny przez 36 godzin.
Jak interpretować wyniki BLAST
Sekcja graficzna i tabela wyników
Strona wyników składa się z kilku części. Na górze widać graficzną reprezentację dopasowań – kolorowe paski pokazują, gdzie sekwencje z bazy pokrywają się z sekwencją zapytania. Czerwony kolor oznacza najlepsze dopasowania (najwyższy score), niebieski – słabsze.
Pod grafiką znajduje się tabela z listą trafień. Każdy wiersz to jedno dopasowanie z następującymi kolumnami:
- Description – nazwa organizmu i genu/białka z bazy danych
- Max Score – najwyższy wynik bitowy (bit score) dla danego trafienia; wyższy = lepsze dopasowanie
- Total Score – suma wyników dla wszystkich fragmentów dopasowania (HSP)
- Query Cover – procent sekwencji zapytania objęty dopasowaniem; wartość poniżej 50% powinna wzbudzić ostrożność
- E-value – wartość oczekiwana; kluczowy parametr statystyczny
- Per. Ident – procent identycznych pozycji w dopasowaniu
E-value – najważniejszy parametr
E-value (wartość oczekiwana) mówi, ile dopasowań o danym wyniku można by oczekiwać przypadkowo przy przeszukiwaniu bazy danych tej wielkości. E-value = 0,001 oznacza, że statystycznie raz na tysiąc wyszukiwań takie dopasowanie pojawi się przez przypadek. Im niższe E-value, tym bardziej istotne statystycznie trafienie.
Praktyczna zasada: E-value poniżej 1e-5 to dopasowanie warte uwagi. Poniżej 1e-20 – silny sygnał homologii. Powyżej 0,01 – interpretuj z dużą ostrożnością, może być przypadkowe.
Uwaga: E-value zależy od rozmiaru bazy danych. To samo dopasowanie będzie miało wyższe E-value w większej bazie niż w mniejszej. Dlatego nie można porównywać E-values z różnych wyszukiwań bez uwzględnienia kontekstu.
Procent identyczności a homologia
Częsty błąd: utożsamianie procentu identyczności z homologią. Dwie sekwencje są homologiczne, jeśli mają wspólnego przodka ewolucyjnego – to kwestia jakościowa, nie ilościowa. Procent identyczności to miara podobieństwa sekwencji, nie dowód homologii.
Dla identyfikacji bakterii na poziomie gatunku na podstawie genu 16S rRNA przyjmuje się próg 98,65% identyczności (wynika z badań porównawczych z 2015 roku, nadal stosowany w 2026). Poniżej tego progu można mówić co najwyżej o identyfikacji na poziomie rodzaju. Dla białek progi są inne i zależą od konkretnej rodziny białkowej.
Typowe błędy i jak ich unikać
Kilka problemów pojawia się regularnie, zwłaszcza u osób zaczynających pracę z BLAST.
Zanieczyszczenie sekwencji. Jeśli pierwsze trafienia to ludzkie sekwencje, a badałeś bakterię glebową, prawdopodobnie sekwencja jest zanieczyszczona materiałem ludzkim. Sprawdź procedurę izolacji DNA i powtórz sekwencjonowanie.
Chimery w sekwencjach 16S. Sekwencje chimeryczne – powstałe z połączenia fragmentów różnych organizmów podczas PCR – dają niespójne wyniki BLAST: różne fragmenty sekwencji zapytania dopasowują się do różnych organizmów. Przed analizą BLAST warto użyć narzędzi takich jak UCHIME lub ChimeraSlayer.
Błędne adnotacje w bazie. GenBank zawiera sekwencje z błędnymi lub niepełnymi adnotacjami. Jeśli kilka najlepszych trafień wskazuje na różne gatunki, a E-values są podobne, nie polegaj na nazwie pierwszego trafienia. Sprawdź kilka wyników i porównaj.
Ignorowanie Query Cover. Trafienie z 99% identyczności, ale pokryciem zapytania na poziomie 20%, jest mało wiarygodne. Tylko mały fragment sekwencji pasuje do trafienia.
BLAST lokalnie i alternatywy
Serwer NCBI BLAST jest wygodny, ale ma ograniczenia: nie można przeszukiwać własnych, niepublicznych baz danych, a przy dużej liczbie zapytań czas oczekiwania rośnie. W takich przypadkach warto zainstalować BLAST+ lokalnie.
BLAST+ to pakiet narzędzi wiersza poleceń dostępny bezpłatnie ze strony NCBI. Instalacja na systemie Linux zajmuje dosłownie kilka minut. Można wtedy tworzyć własne bazy danych z sekwencji FASTA poleceniem makeblastdb i przeszukiwać je lokalnie – bez limitu zapytań i bez wysyłania danych na zewnętrzne serwery, co jest istotne przy pracy z niepublikowanymi danymi genomowymi.
Alternatywy dla BLAST to między innymi DIAMOND – narzędzie do przeszukiwania białek, nawet 20 000 razy szybsze od blastp przy podobnej czułości, szczególnie przydatne w analizach metagenomicznych; oraz MMseqs2, który łączy wysoką szybkość z elastycznością w dopasowaniach sekwencji o niskiej identyczności. Dla analiz filogenetycznych na dużą skalę te narzędzia coraz częściej zastępują klasyczny BLAST.
Praktyczne zastosowania w badaniach środowiskowych
W projektach bioremediacji BLAST jest narzędziem pierwszego kontaktu z nieznanym materiałem biologicznym. Gdy izolujesz bakterię ze skażonego gruntu i sekwencjonujesz jej gen 16S, BLAST pozwala w ciągu minut ustalić, z jakim rodzajem masz do czynienia i czy pokrewne gatunki mają udokumentowane zdolności do degradacji konkretnych związków chemicznych.
W monitoringu środowiskowym opartym na sekwencjonowaniu metabarkodingu – na przykład przy analizie różnorodności biologicznej rzek na podstawie eDNA – BLAST jest jednym z etapów klasyfikacji taksonomicznej odczytów. Każdy odczyt jest porównywany z bazą referencyjną, co pozwala przypisać go do taksonu. Przy tysiącach odczytów na próbkę lokalne uruchomienie BLAST lub DIAMOND jest praktyczną koniecznością.
Warto jednak pamiętać o ograniczeniu: wyniki BLAST są tak dobre, jak baza danych, z którą porównujesz. Dla organizmów słabo zbadanych taksonomicznie – wielu grup grzybów, pierwotniaków czy bakterii z ekstremalnych środowisk – bazy referencyjne są niekompletne. Trafienie z 90% identyczności do sekwencji oznaczonej jako „uncultured bacterium
Komentarze (2 komentarze)