簡報
返回七種常用序列比對工具其實做三種事:BLASTN、BLAT、LAST 做局部相似性搜尋,差別主要在種子;BWA-MEM、Bowtie2 把讀段定位到已建索引的基因體;CLUSTALW 與 Clustal Omega 做多序列比對,後者可處理的規模大得多。
序列比對 · 資料讀取於2026年10月17日
序列比對工具解說
LAST · CLUSTALW · Clustal Omega · BWA-MEM · Bowtie2 · BLASTN · BLAT
比對策略比較1 / 15
總覽
三種任務,七個工具
本文的分組;各工具文件只描述自己。
搜尋
找出序列在資料庫或基因體中的相符處
- BLASTN · BLAT · LAST
讀段定位
把數百萬條定序讀段放到參考基因體上
- BWA-MEM · Bowtie2
多序列比對
把許多相關序列排成一個比對
- CLUSTALW · Clustal Omega
七種序列比對工具 · 資料讀取於2026年10月17日2 / 15
基礎觀念
比對就是把相似的位置排在一起
查詢
ACGTTGCAAT對參考ACCTTGCGAT:10個位置中8個相符,即相同度80%。局部
只回報最相符的區段
- BLASTN 與 LAST 屬於這種。
端到端
每個位置都要計入
- Bowtie2 的預設;Clustal 工具做全長比對。
間隙
插入或缺失要付開啟加延伸的罰分
- 稱為仿射間隙罰分。
七種序列比對工具 · 資料讀取於2026年10月17日3 / 15
基礎觀念
先找種子,再向兩側延伸
BLASTN、BLAT、LAST、BWA-MEM 與 Bowtie2 都依此模式,差別主要在種子步驟;CLUSTALW 與 Clustal Omega 則改用導引樹。
- 1種子透過索引找到短精確相符
- 2串鏈把排在一起的種子分組
- 3延伸以動態規劃延伸每個種子
- 4計分保留分數夠高的比對
七種序列比對工具 · 資料讀取於2026年10月17日4 / 15
種子
各工具的種子策略
種子越長越快但會漏掉弱相似;越短抓得越多但越費時。
工具 種子 索引 BLASTN 精確字:28鹼基(megablast,預設)、11(blastn) 查詢字表 BLAT 同一對角線上兩個完全相符的11-mer 記憶體中的基因體11-mer LAST 自適應:加長到稀有為止 後綴陣列 BWA-MEM 超最大精確相符,至少19鹼基 FM 索引 Bowtie2 固定,22鹼基(局部模式20) FM 索引 七種序列比對工具 · 資料讀取於2026年10月17日5 / 15
搜尋 · 1/3
BLASTN
固定字長種子、X-drop 延伸,每個命中都有 E 值
- 1把查詢序列切成字28鹼基(megablast)或11(blastn)查詢GATCCTAGGCTTACGATCCTAGGCT1 ATCCTAGGCTT2 TCCTAGGCTTA3 CCTAGGCTTAC4
14個鹼基切出14 − 11 + 1 = 4個11字長的字,各依其在查詢序列中的位置存入查表(blastn 任務)。
- 2延伸每個命中先無間隙 X-drop,再有間隙查詢GATCCTAGGCTTACGATGCA目標GATCCTAGGCTCACGTCCAG
N 種子N 相符N 錯配N 捨棄
相符 +2、錯配 −3。延伸到第15個鹼基時達最高分25;分數落到19、比最高分低了超過 X = 5,延伸即停止,並退回到第15個鹼基。此處的 X 為示範值。
- 3計分並排序Karlin–Altschul 統計給出 E 值
命中 相符/錯配 分數 A 14 / 1 25 B 13 / 1 23 C 11 / 0 22 每個命中以 +2/−3 計分。E 值是隨機情況下預期分數不低於此的命中數,分數越高 E 值越小,因此排序相同。E 值高於10的命中不列出。
項目 內容 索引 查詢字查表 種子 11或28鹼基的精確字;短查詢為7 可信度 E 值與位元分數 最適合 需要統計的分歧 DNA 七種序列比對工具 · 資料讀取於2026年10月17日6 / 15
- 1把查詢序列切成字28鹼基(megablast)或11(blastn)
搜尋 · 2/3
BLAT
為基因體建索引、掃描查詢序列:快速定位近乎相同的序列
- 1為基因體建索引不重疊的11-mer 常駐記憶體基因體TGGACCTAGCAATCGGTACCATTGGACCTAGCA1 ATCGGTACCAT12
22個鹼基的基因體以2個不重疊的11-mer 存入索引,而不是22 − 11 + 1 = 12個重疊的11-mer。數字為各自的起點。
- 2需要兩個命中同一對角線上兩個完全相符的11-merCTGGACCTAGCAATCGGTACCATG TGGACCTAGCA−1 ATCGGTACCAT−1
N 種子
查詢序列(最上一列)的每個11-mer 都拿去查索引。有兩個命中,且都在對角線 −1 上(基因體位置減查詢位置),於是這一區段進入比對。
- 3縫合區塊外顯子接成基因層級比對,調整剪接位點基因體ATGCCAGTAAGCAGGTTCGAmRNAATGCCA--------GTTCGA
N 相符- 間隙
兩個6鹼基的區塊跨越一個8鹼基的間隙接起來;間隙兩端為 GT…AG,符合典型剪接位點。
項目 內容 索引 記憶體中的基因體11-mer(約1 GB) 種子 兩個完全相符的11-mer 可信度 分數與相同度;預設輸出無 E 值 最適合 95%以上相似度的 mRNA 定位;UCSC 頁面所列最短長度為25或40鹼基 七種序列比對工具 · 資料讀取於2026年10月17日7 / 15
- 1為基因體建索引不重疊的11-mer 常駐記憶體
搜尋 · 3/3
LAST
自適應種子,適合重複序列多的基因體與全基因體比較
- 1建立後綴陣列lastdb 為參考序列建一次索引ACG5ACGTACG1CG6CGTACG2G7GTACG3TACG4
參考序列 ACGTACG 的7個後綴,排序後列出。數字為各後綴的起點;一次查找即可找到以某個種子開頭的所有後綴。
- 2加長自適應種子每個種子加長到在參考序列中夠稀有查詢ACGTTCA
長度 種子 出現 1 A 2 2 AC 2 3 ACG 2 4 ACGT 1 N 種子
種子每次加長一個字母,直到在參考序列中出現不超過 m = 1 次:得到4個字母的種子。此處的 m 為示範值。
- 3延伸,再學習先無間隙再有間隙 X-drop;last-train 從資料學習比率參考TCACGTTGGATCAA查詢TGACGTTGGA-CTA
N 種子N 相符N 錯配- 間隙
核心是最長的連續相同段(8個字母),由它向兩側做有間隙的延伸。其中2個替換和1個缺失,正是 last-train 用來學習比率的那類差異。
項目 內容 索引 後綴陣列(lastdb) 種子 自適應,加長到稀有 可信度 E 值與 EG(每十億查詢字母的預期命中數) 最適合 重複序列多或分歧大的基因體 七種序列比對工具 · 資料讀取於2026年10月17日8 / 15
- 1建立後綴陣列lastdb 為參考序列建一次索引
讀段定位 · 1/2
BWA-MEM
以最大精確相符為種子;自動選擇局部或端到端
- 1找出最大精確相符至少19鹼基的 SMEM;過長者重新播種參考ACGTTAGCCATGGACTTGCAAT讀段ACGTTAGCCATGGACTTGCAGTACGTTAGCCATGGACTTGCA20 AG2 GT2
N 種子N 相符N 錯配N 捨棄
3個 SMEM 覆蓋整條讀段;數字為各自的長度。只有20鹼基的那個達到最短19的門檻而成為種子;沒有一個超過28,所以都不需重新播種。
- 2串鏈並延伸帶狀仿射間隙動態規劃加 Z-drop
種子 讀段 參考 長度 A 1–20 101–120 20 B 22–45 121–144 24 C 27–45 5001–5019 19 A 與 B 在讀段和參考上順序一致,串成一條鏈。讀段多出的1個鹼基是一個間隙,罰分6 + 1 = 7;每個相符得1分,鏈的分數為44 − 7 = 37。C 的鏈落在同一段讀段範圍內,只得19分,因此被濾除。
- 3配對並輸出在插入片段範圍內救回配對;輸出 MAPQ
搜尋範圍 鹼基 μ ± 4σ 200–400 插入片段平均值 μ 為300、離散 σ 為25(示範值)時,未定位的配對讀段在200–400內搜尋:位於350的會被救回,位於450的不會。MAPQ 採 Phred 尺度:30代表放錯位置的機率為1/1,000。
項目 內容 索引 FM 索引(bwa index) 種子 SMEM,至少19鹼基 可信度 定位品質(MAPQ) 最適合 70鹼基至數百萬鹼基的讀段或組裝片段 七種序列比對工具 · 資料讀取於2026年10月17日9 / 15
- 1找出最大精確相符至少19鹼基的 SMEM;過長者重新播種
讀段定位 · 2/2
Bowtie2
多個固定長度種子,再以 SIMD 加速延伸
- 1從讀段取種子22鹼基(局部模式20),取自讀段及其反向互補讀段TTGCATCCTAAGTCTAGCTTGATTGCATCCTA1 CCTAAGTCTA7 TCTAGCTTGA13
種子長10、每隔6個鹼基取一個(示範值):22鹼基的讀段取出3個,反向互補序列再取3個。預設種子為22鹼基(局部模式20),在長度為 L 的讀段上每隔1 + 1.15√L 個鹼基取一個。
- 2查找種子FM 索引找出精確、無間隙的命中參考TTGCATCCGAAGTCTAGCTTGATTGCATCCTA0 CCTAAGTCTA0 TCTAGCTTGA1
N 種子N 相符N 錯配
種子必須完全相符(-N 0);數字為命中數。第9個鹼基的錯配使種子1和2落空,種子3找到1個命中。
- 3以 SIMD 延伸優先的命中以 SIMD 加速動態規劃延伸
模式 分數 門檻 端到端 −17 −30.6 局部 81 51.3 一條50鹼基的讀段,有1個錯配(−6)和1個2鹼基的間隙(−11)。端到端從0起算;局部模式為49個相符鹼基各加 +2。兩者都超過各自的門檻:−0.6 − 0.6L 與20 + 8 ln L。
項目 內容 索引 FM 索引(人類基因體約3.2 GB) 種子 固定,20–22鹼基,無錯配 可信度 定位品質(MAPQ) 最適合 約50至數百鹼基的讀段 七種序列比對工具 · 資料讀取於2026年10月17日10 / 15
- 1從讀段取種子22鹼基(局部模式20),取自讀段及其反向互補
多序列比對 · 1/2
CLUSTALW
經典的漸進式多序列比對
- 1計算距離每對序列以 k-tuple 或完整比對求距離AGATTACAGCABGATTACTGCACGACTTCAGGADGACTTCTGGT
A B C B 0.1 C 0.3 0.4 D 0.5 0.4 0.2 距離 = 1 − 相同度:A 與 B 在10個位置中有1個不同,所以是0.1。
- 2建立導引樹以鄰接法排定序列順序
以上述距離做鄰接法,A 與 B 配成一對、C 與 D 配成一對;根放在最長路徑的中點。
- 3沿樹比對加權輪廓、位置特異的間隙罰分AGATTACAGCA1BGATTACTGCA1CGACTTCAGGA2DGACTTCTGGT2
N 相符
依導引樹的順序合併:1 A 與 B,2 C 與 D,3 再把兩個輪廓彼此比對。
項目 內容 索引 無(兩兩距離) 種子 無(改用距離樹) 可信度 無 最適合 少量序列、教學、重現舊結果 七種序列比對工具 · 資料讀取於2026年10月17日11 / 15
- 1計算距離每對序列以 k-tuple 或完整比對求距離
多序列比對 · 2/2
Clustal Omega
可擴充的多序列比對,輪廓 HMM 對輪廓 HMM
- 1嵌入序列mBed:到約 log N 條參考序列的距離S1GATTCAGC0, 0.5S2GATTCTGC0.29, 0.5S3GACTCAGC0.29, 0.33S4GTCTAGC0.5, 0S5GTCTATC0.67, 0.33S6GTCTAGG0.67, 0.17
每條序列變成它到 n = 2條參考序列(S1、S4)的距離:只需6 × 2 = 12個距離,而不是全部15對。此處的距離是不共有的2字母字所占比例,為示範用的量度。
- 2分群成樹K-means 或 UPGMA,O(N log N)
以 UPGMA 對這些向量分群:S1–S3 為一群,S4–S6 為另一群。
- 3HMM 對 HMM 比對每個節點以 HHalign 比對;可選擇迭代S1GATTCAGCS2GATTCTGCS3GACTCAGCS4GTCT-AGCS5GTCT-ATCS6GTCT-AGG
- 間隙
每一群是一個輪廓;兩個輪廓逐欄對齊,第二個輪廓在第5欄開出一個間隙。
項目 內容 索引 無(mBed 向量) 種子 無(改用分群樹) 可信度 無 最適合 小型到超大型資料集;作者測試中超過19萬條序列 七種序列比對工具 · 資料讀取於2026年10月17日12 / 15
- 1嵌入序列mBed:到約 log N 條參考序列的距離
綜合比較
七個工具並排比較
MAPQ 是定位品質分數,不是 E 值。
工具 任務 索引 種子 可信度 BLASTN 搜尋 查詢字表 精確字,11或28 E 值 BLAT 搜尋 記憶體中的基因體11-mer 兩個11-mer 分數、相同度 LAST 搜尋 後綴陣列 自適應 E 值、EG BWA-MEM 讀段定位 FM 索引 SMEM,19以上 MAPQ Bowtie2 讀段定位 FM 索引 固定,20–22 MAPQ CLUSTALW 多序列比對 無 無 無 Clustal Omega 多序列比對 無 無 無 七種序列比對工具 · 資料讀取於2026年10月17日13 / 15
選擇建議
如何選擇
以下為依比較所作的推論,不是排名。
你的情況 建議工具 短讀段,約50至數百鹼基 BWA-MEM / Bowtie2 長讀段或組裝片段 BWA-MEM,或 LAST 搭配 last-train 同物種、95%以上相似度的 mRNA BLAT 需要 E 值的分歧同源序列 BLASTN 重複序列多的全基因體 LAST 大量序列的多序列比對 Clustal Omega 七種序列比對工具 · 資料讀取於2026年10月17日14 / 15
重點
先看任務,再選工具
- 搜尋工具的差別主要在種子。
- 讀段定位工具先為參考序列建一次索引,再讓讀段依序通過。
- 多序列比對選 Clustal Omega 而非 CLUSTALW,除非要重現舊結果。
應保留看待
預設值會隨版本改變,所有速度數字都出自開發者本身,年代為1990至2013年。
七種序列比對工具 · 資料讀取於2026年10月17日15 / 15