为什么 Biopython 的在线 BLAST 这么慢？

用过网页版本 BLAST 的童鞋都会发现，提交的序列比对往往在几分钟，甚至几十秒就可以得到比对的结果；而通过调用 API 却要花费几十分钟或者更长的时间！这到底是为什么呢？

NCBIWWW 基本用法

首先，我们来看一下提供了基于 API 在线比对的 Biopython 模块。

Biopython 中的 BLAST 提供了 over the Internet 和 locally 两种选择：Bio.Blast.NCBIWWW 主要是基于 NCBI BLAST API 用于在线比对；Bio.Blast.Applications 模块则是调用本地安装好的 BLAST 程序以及数据库执行比对。在这里我们来重点看一下 Bio.Blast.NCBIWWW 。

Bio.Blast.NCBIWWW 模块中主要是通过 qblast() 函数来调用 BLAST 的在线版本。它具有三个非可选参数：

• 第一个参数是用于搜索的 blast 程序，为小写字符串。目前，qblast（biopython==1.7.4）仅适用于 blastn，blastp，blastx，tblast 和 tblastx。
• 第二个参数指定要搜索的数据库。关于这个选项，在 NCBI Guide to BLAST 上有详细的描述。
• 第三个参数是包含查询序列的字符串。这可以是序列本身，也可以是 fasta 格式的序列，或者是诸如 GI 号之类的标识符。

qblast 函数还接受许多其他选项参数，这些参数基本上类似于我们可以在 BLAST 网页上设置的不同参数。我们在这里只重点介绍其中一些：

• 参数 url_base 是设置用于在 Internet 上运行 BLAST 的基本 URL。默认情况下，它连接到 NCBI（即 url_base='https://blast.ncbi.nlm.nih.gov/Blast.cgi'），但是可以使用它连接到云端运行的 NCBI BLAST 实例。更多详细信息请参阅 qblast 功能的文档。
• qblast 函数可以返回各种格式的 BLAST 结果，您可以使用可选的format_type 关键字进行选择：“HTML”，“Text”，"ASN.1” 或 "XML"。默认值为 “XML”，因为这是解析器期望的格式。
• 参数 expect 用于设置期望值或 e-value 阈值。

有关可选的 BLAST 参数的更多信息，请参考 NCBI 自己的文档或 Biopython 内置的文档：

>>> from Bio.Blast import NCBIWWW
>>> help(NCBIWWW.qblast)

请注意，NCBI BLAST 网站上的默认设置与 qblast 上的默认设置不太相同。如果获得不同的结果，则需要检查参数(例如，e-value 值和 gap 值)。

例如，如果您要使用 BLASTN 在核苷酸数据库（nt）中搜索核苷酸序列，并且知道查询序列的 GI 号，则可以使用：

>>> from Bio.Blast import NCBIWWW
>>> result_handle = NCBIWWW.qblast("blastn", "nt", "8332116")

另外，如果我们的查询序列已经存在于 FASTA 格式的文件中，则只需打开文件并以字符串形式读取此记录，然后将其用作查询参数：

>>> from Bio.Blast import NCBIWWW
>>> fasta_string = open("m_cold.fasta").read()
>>> result_handle = NCBIWWW.qblast("blastn", "nt", fasta_string)

我们还可以将 FASTA 文件作为 SeqRecord 对象进行读取，然后仅提供序列本身进行比对：

>>> from Bio.Blast import NCBIWWW
>>> from Bio import SeqIO
>>> record = SeqIO.read("m_cold.fasta", format="fasta")
>>> result_handle = NCBIWWW.qblast("blastn", "nt", record.seq)

仅提供序列意味着 BLAST 将自动为您的序列分配一个标识符。您可能更喜欢使用 SeqRecord 对象的 format 方法来制作 FASTA 字符串（其中将包含现有标识符）：

>>> from Bio.Blast import NCBIWWW
>>> from Bio import SeqIO
>>> record = SeqIO.read("m_cold.fasta", format="fasta")
>>> result_handle = NCBIWWW.qblast("blastn", "nt", record.format("fasta"))

无论给 qblast() 函数提供什么参数，都应在 handle 对象（默认为 XML 格式）中返回结果。下一步是将 XML 输出解析为表示搜索结果的 Python 对象，但是您可能想先保存输出文件的本地副本。在调试从 BLAST 结果中提取信息的代码时，我发现这特别有用（因为重新运行在线搜索速度很慢，并且浪费了 NCBI 计算机时间）。

我们需要小心一点，因为我们只能使用 result_handle.read() 读取一次 BLAST 输出——再次调用 result_handle.read() 会返回一个空字符串。

>>> with open("my_blast.xml", "w") as out_handle:
...     out_handle.write(result_handle.read())
...
>>> result_handle.close()

完成上面的操作后，结果将保存在文件 my_blast.xml 中，并且原始句柄已提取了所有数据（因此我们将其关闭了）。但是，BLAST 解析器的解析功能采用了类似于文件句柄的对象，因此我们可以打开保存的文件进行输入：

>>> result_handle = open("my_blast.xml")

现在我们已经将 BLAST 结果重新放回了句柄中，下一步，如果我们准备对它们进行处理，我们可以参考 Biopython 中 Parsing BLAST output 部分的内容，这里不再说明。

NCBIWWW 实现

在了解 NCBIWWW 的实现前，我们先来看一下 NCBI BLAST 对于 API 使用的一些说明：

• NCBI BLAST 服务器是共享资源。为了确保整个社区都能使用该服务，他们可能会限制某些高流量用户的搜索。
• 他们会将在 24 小时内提交 100 次以上搜索的用户的搜索移到较慢的队列中，或者在极端情况下将阻止请求。
• NCBI BLAST 优先考虑互动的用户，通过网络浏览器的 NCBI 网页的交互式用户不会遇到以上的问题。

对于 API 的使用准则：

• 与服务器联系的频率不要超过每 10 秒一次。
• 不要轮询每一个 RID(Request ID) 多于一分钟一次。
• 使用 URL 参数电子邮件和工具，以便 NCBI 在出现问题时可以与您联系。
• 如果将提交超过 50 个搜索，则在周末或东部时间东部时间晚上 9 点至凌晨 5 点之间运行脚本。

我们再来看一下 NCBIWWW 在源码层面的处理：

可以看到 NCBIWWW 从 20 秒的延迟开始，然后开始每隔一分钟执行一次 request 轮询，直至任务完成或者任务出现异常。

所以，总的来说，NCBI BLAST API 的使用准则，加上 NCBI BLAST 对用户请求的任务队列处理，甚至 NCBI BLAST 服务器共享资源的限制，以及总用户请求数，这些都可能成为 NCBIWWW.qblast() 异常耗时的原因，这其中还不算个人服务器的网络影响。综上种种原因，如果考虑使用 NCBIWWW.qblast() 执行频繁的序列在线批处理，或许不是一个好的解决方案。

最后，基于 Python 的 NCBI BLAST 在线批处理，如果你有更好的方法，欢迎留言交流。