alterlab-blast

BLAST+ — コマンドライン配列検索

ローカル環境で NCBI BLAST+ 2.17.0 による検索を最初から最後まで実行できます。makeblastdb でデータベースを構築し、blastn／blastp／blastx／tblastn で検索して、機械で解析できる表形式の出力を生成し、分類群で絞り込みます。非常に大規模なタンパク質検索では、DIAMOND の blastp --ultra-sensitive に切り替えます（DIAMOND プロジェクトによると、BLAST の 100～10,000 倍の速度です）。これは CLI／ローカルデータベース向けのスキルであり、Biopython の Web API や gget のワンライナーとは明確に異なります（下の振り分け表を参照してください）。

大量のデータベース構築や大規模な検索は CPU／I/O を大量に使用し、完全にオフラインで実行できます。API 呼び出しを消費するより、ローカルの計算環境で実行するのに適しています。

このスキルを使う場面

次のいずれかに該当するリクエストで、このスキルを使用してください。

• 「これらの配列を BLAST にかけて」「blastn／blastp／blastx／tblastn を実行して」「コマンドラインで BLAST を実行して」
• 「ローカル BLAST データベースを構築して」「makeblastdb」「この FASTA を BLAST 用にインデックス化して」
• 「リードをローカルの nt／nr データベースに対して検索して」「解析できる BLAST ヒットを表形式で取得して」
• 「BLAST 検索を分類群に絞り込んで」（-taxids／-negative_taxids）
• 「数百万のタンパク質に対する BLAST が遅すぎる」→ DIAMOND blastp
• BLAST DB から配列を取得する（blastdbcmd。-parse_seqids が必要）

対象外

BLAST+ に無理に対応させず、関連するリクエストは適切な兄弟スキルに振り分けてください。

リクエストの主な内容	振り分け先
Web BLAST API（Bio.Blast.NCBIWWW.qblast）、または Bio.Blast で解析する Python パイプライン内の BLAST スクリプト	alterlab-biopython
手早く使えるワンライナーでの BLAST／データベース検索（gget blast、遺伝子／構造／エンリッチメント検索）	alterlab-gget
多数のバイオ系 Web サービス（UniProt、KEGG、Ensembl REST、NCBI eUtils）への統合的なプログラムアクセス	alterlab-bioservices
配列類似性検索ではなく、配列からの系統樹の構築／検索	alterlab-phylogenetics
リファレンスゲノムへのリードアラインメント（BWA／minimap2 → BAM）および SAM／BAM の処理	alterlab-pysam
FASTQ→VCF のバリアントコーリングパイプライン	alterlab-nf-core-sarek
転写産物レベルの RNA-seq 定量（salmon／kallisto）	alterlab-rnaseq-quant
16S／ITS アンプリコン分類（QIIME 2）	alterlab-qiime2-amplicon
タンパク質の構造予測／埋め込み（ESM、AlphaFold）	alterlab-esm

ユーザーが明示的に「Web BLAST」「NCBIWWW」「何もインストールせずに」と指定した場合は、このスキルではなく alterlab-biopython を使います。

クイックスタート

# 1. Build a protein DB (‑parse_seqids enables blastdbcmd retrieval + DIAMOND reuse)
makeblastdb -in proteins.fasta -dbtype prot -parse_seqids -out mydb -title "my proteins"

# 2. Search, tabular output you can parse, std 12 columns
blastp -query query.faa -db mydb -outfmt 6 -evalue 1e-5 -out hits.tsv

# 3. QC / summarize the tabular output (stdlib only)
uv run python scripts/parse_blast_tab.py hits.tsv --best-hit

-outfmt 6 は、機械で読み取れる形式の標準です。デフォルトの列は std セット、つまり qseqid sseqid pident length mismatch gapopen qstart qend sstart send evalue bitscore です。同じ列にコメント行を加えるには -outfmt 7 を使います。

適切なプログラムの選択

クエリ	対象 DB	プログラム
塩基配列	塩基配列	blastn
タンパク質	タンパク質	blastp
塩基配列（翻訳済み）	タンパク質	blastx
タンパク質	塩基配列（翻訳済み）	tblastn

makeblastdb の -dbtype は、対象が塩基配列なら nucl、タンパク質なら prot です。

よくある5つの誤解

1. -max_target_seqsは「上位N件のベストヒット」を絞り込むフィルターではありません。 検索中にヒューリスティックな打ち切りとして適用される、保持するアラインメント済み配列の数です。同点の場合はスコアではなく「データベース内の配列順」で決まります。-max_target_seqs 1を指定しても、確実に最良のヒットが返るわけではありません。最良のヒットを得るには、十分に大きな値を指定し、ソート後に最上位の行を選んでください（scripts/parse_blast_tab.py --best-hitを参照）。デフォルトは500です。
2. blastnで誤った-taskを指定すること。 megablast（デフォルト）は非常によく似た配列用です。種をまたぐ、またはより離れたヒットにはblastnを、約30 nt未満のクエリ（プライマー、sgRNA）にはblastn-shortを使用してください。dc-megablastは種間比較向けの不連続オプションです。
3. DBの構築時に-parse_seqidsを忘れること。 これを指定しないと、blastdbcmd -entryで配列を取り出せず、DIAMONDでも配列IDを適切に再利用できません。DBを再構築せずに後から追加することはできません。
4. DIAMONDでカスタム列リストの-outfmtを引用符で囲むこと。 BLAST+では指定内容を引用符で囲みます（-outfmt '6 qseqid sseqid pident evalue'）。DIAMONDでは引用符で囲みません（--outfmt 6 qseqid sseqid pident evalue）。これを取り違えると、エラーが表示されないまま問題になることがよくあります。
5. マルチスレッド。 -num_threads Nを使用してください。BLAST+ 2.15以降では、デフォルトの-mt_mode 0により、クエリとデータベースのサイズに応じてBLASTが分割方法を選択します。NCBIはこの設定を変更しないことを推奨しています。意図がある場合に限り、上書きしてください。-mt_mode 1 = ThreadByQuery（小さなクエリが多数）、-mt_mode 2 = ThreadByDatabase（大きなクエリが少数、大規模DB）。

全オプションのリファレンス、分類体系による絞り込み、DBの準備の詳細： references/blast_cli.md。

分類体系による絞り込み

NCBI taxidを使って、検索対象をクレードに限定したり、クレードを除外したりできます。

blastn -query q.fna -db nt -taxids 9606 -outfmt 6 -out human_only.tsv
blastp -query q.faa -db nr -negative_taxids 2 -outfmt 6 -out no_bacteria.tsv

taxidによる絞り込みには、分類体系に対応したデータベースが必要です（NCBIのフォーマット済みnt / nrのように、*.taxidマッピングとともに構築またはダウンロードされたもの）。references/blast_cli.mdを参照してください。

DIAMOND — 大規模なタンパク質検索を高速化

数百万のタンパク質に対するblastp / blastxの実行が遅すぎる場合は、タンパク質空間の検索にそのまま置き換えて使えるDIAMONDを利用できます。

diamond makedb --in nr.faa -d nr_diamond
diamond blastp -d nr_diamond -q query.faa -o hits.tsv \
  --ultra-sensitive --outfmt 6 qseqid sseqid pident length evalue bitscore

感度の段階（高速 → 最高感度）：--fast、--mid-sensitive、--sensitive、--more-sensitive、--very-sensitive、--ultra-sensitive。感度フラグを指定しない場合、DIAMONDはデフォルトモードで実行されます。このモードの感度は--fastと--mid-sensitiveの中間です。BLASTに匹敵する再現率が必要な場合は、--ultra-sensitiveを使用してください。DIAMONDの--outfmt 6は、以下のBLAST+用タブ区切り形式パーサーと互換性があります。詳細とトレードオフについては、references/diamond.mdを参照してください。

推奨ワークフロー

1. 上記のクエリ／サブジェクト表からプログラムを選びます。
2. makeblastdb -parse_seqidsを使ってDBを構築します（またはNCBIのフォーマット済みDBをダウンロードします）。約100万を超えるタンパク質の場合は、代わりにDIAMOND DBを構築してください。
3. -outfmt 6、明示的な-evalue閾値、適切な-task（blastn）、-num_threadsを指定して検索します。絞り込む場合は-taxidsを追加してください。
4. scripts/parse_blast_tab.pyで解析とQCを行います。bitscoreでソートし、クエリごとのベストヒットを抽出し、identity／coverage／e-valueのフィルターを適用します。また、列数が切り詰められているように見える場合は、-max_target_seqsの落とし穴について警告します。
5. blastdbcmd -db mydb -entry <id>でヒットした配列を取得します（-parse_seqidsが必要です）。

報告前の確認

• blastn -version / diamond versionが実際に実行されたことを確認してください。生成していないヒットを報告しないでください。
• 使用したプログラム、-task、-evalue、DBを明記してください。これらがなければ結果に意味はありません。
• -max_target_seqsを使用した場合、保持数を上位N件と見なすのではなく、事後にbitscoreでソートしてベストヒットを選んだことを確認してください。
• DIAMONDの結果については、使用した感度レベルを記載してください。

参考資料

• references/blast_cli.md — BLAST+ 2.17.0 のオプションに関する完全なリファレンスです。プログラム、makeblastdb、-outfmt の列、-task、分類群のスコープ指定、-mt_mode、blastdbcmd による取得、および -max_target_seqs に関する注意事項を掲載しています。
• references/diamond.md — DIAMOND のデータベース構築、感度モード、出力形式、および BLAST+ より DIAMOND を選ぶべき状況を解説しています。
• NCBI BLAST+ マニュアル：https://www.ncbi.nlm.nih.gov/books/NBK569856/
• DIAMOND：https://github.com/bbuchfink/diamond

AlterLab Academic Skills スイートの一部です。