blat

1)  产生背景
---------------------------------------------------
2002年的时候，随着人类基因组项目不断推进，需要将大量ESTs(300万)
及mouse基因组的reads (130万)比对到人类基因组来进行注释，而这项任务需要在2周内完成 (90 CPU  Linux
集群），因为blast工具速度相对偏慢，结果也不易处理，无法提供intron
的信息等，因此一款新的比对软件的开发迫在眉睫。为了完成这项任务，W.James
Kent(UCSC)开发了一款生物信息学软件BLAT全称为BLAST-Like Alignment Tool。blat的速度大概是blast
的500倍,且可以共线性输出结果，易解读。
2）大致原理
---------------------------------------------------
比对软件一般是分为两部分来完成的.首先是搜索阶段(search
stage)：搜索两个序列之间可能是同源的部分；然后是比对阶段(alignment
stage)：更加仔细的审视上述可能是同源的部分，对于按照一定的标准被确定是同源的部分进行比对(align)。

2.1）首先是对物种数据库(以下称为基因组)构建索引(index)，形成一个索引表(index list),索引表里存放着非重叠k-mer的坐标信息( non-overlapping k-mers)

2.2）将query中的重叠kmer（overlapping k-mers）在基因组中进行搜索 ，建立序列之间存在匹配的hits列表。采用不同的搜索策略会对下游的比对计算量产生影响

2.3）在比对阶段，根据query是蛋白还是核酸会采用不用的算法进行比对。想深入了解可以看最下面文献  

                                                                                                                      

3) 应用

--------------------------------------------------

DNA上的BLAT被设计为快速发现长度>=25个碱基，相似性>=95％的序列。 蛋白质上的BLAT将发现长度>=20个碱基，相似性>=80％的序列。
3.1）将mRNA 
比对到同种基因组来预测其在基因组上的坐标3.2）一个物种的蛋白或者mRNA比对到另外一个同源物种的数据库(
基因组)，来请确定同源区域，适用于进化不太远的物种。3.3）可以用来做蛋白序列间的比对，但是作者并不推荐。因为利用BLASTP足够灵敏胜任，而blat相对不足。
3.4）确定基因的外显子和内含子在基因上的分布
4)与blast的区别
---------------------------------------------------
4.1）blat是对目标数据库构建索引，然后通过查询序列(query sequence)  线性搜索；Blast是将查询序列索引化，然后线性搜索庞大的目标数据库；
4.2）blast是将搜索数据库中所有与子系列精确匹配的序列(hits)，作为种子，向两个方向继续延伸(extonsion)每个精确匹配，即延伸发生在一两个相邻位置hits
；blat则可以扩展任何数目的hits(perfect or near-perfect hits)。
4.3)  
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 (often exons)，BLAT将它们’’缝合''在一起形成一个大的比对
(larger alignments  ,typically genes）。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exton的比对结果，而blat返回的结果是一个大的比对结果，可以给出正确的剪切位点(splice sites)。
5)  在linux中安装及命令的运用
---------------------------------------------------
这里不做重点介绍，详细可参考
https://www.cnblogs.com/adawong/articles/7460300.html
http://www.mamicode.com/info-detail-107191.html
基本命令为：blat database query [-参数] output
6)  格式解读(默认格式为例，M8格式会在blast结果中介绍)

---------------------------------------------------

以数据NM_000531.5 ，U10421.1为例，在网页版中，选择参考基因组 (Feb 2009 GRCh37/hg19)，默认输出排序参数为 (query, score)，输出文件类型默认为 hyperlink。输出结果：

                                                                 

第一列：ACTIONS，其中点击ucsc browser可以在浏览详细图解信息，detials可以参看序列比对的详细信息
第二列：QUERY，表示query的序列名称           
第三列：SCORE，得分情况，得分越高说明比对越好 。参数以score排序
第四列：START，query比对的其实位置  
第五列：END，query比对结束的位置
第六列：QSIZE，表示query序列长度
第七列：IDENTITY，比对相似率
第八列：CHRO，位于哪条染色体上
第九列：STRAND，表示位于染色体的正链还是负链  
第10列：START，表示位于染色体的起始位置   
第11列：END，表示位于染色体的终止位置      
第12列：SPAN，表示的是比对位置在染色体上的跨度。
而在linux中默认输出格式为psl格式，因为blat可以输出多种格式，因此这里就不在一一介绍。
7) 习题(因为可以输出多种格式，我们以上述结果格式为例)
---------------------------------------------------
7.1）blat产生的背景是什么
7.2）blat有哪些用处？
7.3）blat和blast有哪些区别？
7.4）为什么在蛋白--蛋白比对的时候不太推荐blat?
7.5) 为什么在跨物种比对的时候，不建议进化分支太远的物种？
7.6）blat为什么速度会比blast快几百倍？
7.7）blat输入的格式是什么？
7.8）blat是如何识别基因的Exon-Intron的？
7.9）你的query确定在基因组中存在，为什么blat比对的时候没有找到？
7.10）kmer的选择如何影响blat的速率？
7.11）输出共有多少条query参与了比对
7.12）输出每个query最好的比对信息
7.13）计算每个query中最长的比对长度
7.14）输出每个query中位于负链上比对最好的信息
7.15）输出每个query在染色体上跨度最大的信息
7.16) 输出所有query在1号染色体中比对最好的信息
7.17）输出所有query在1号染色体中位于负链上比对最好的信息
7.18) 输出query比对最长，且在染色体上跨度最大的信息
7.19) 在detail中如何判断mRNA对应有几个外显子
7.20）在detail中查找外显子的序列信息

8）参考资源：

---------------------------------------------------

Systematic identification of novel protein domain families associated with nuclear functions
Using BLAT to find sequence similarity in closely related genomes
https://www.cnblogs.com/adawong/articles/7460300.html
http://genome.ucsc.edu/FAQ/FAQblat.html
https://baike.baidu.com/item/blat/2088564
https://en.wikipedia.org/wiki/BLAT_(bioinformatics)