2. InterProScan概述
你要是刚接触蛋白功能注释，很可能听过这么一句话：「序列相似性不等于功能相似性。」
这话说得没错。BLAST 能帮你找到同源序列，但要回答「这个蛋白到底属于哪个家族？」「它有没有已知的结构域？」——光靠 BLAST 就不够用了。这就是 InterProScan 登场的理由。
我个人第一次用 InterProScan 是因为这样一个需求：手握几万条预测的蛋白序列，来自一个宏基因组项目。BLAST 跑完后，大批序列标注着「hypothetical protein」，一群未知蛋白堆在那里动不了。
我去和组里师兄聊，他说：「你试试 InterProScan。」
我当时嗤之以鼻：不就是多数据库整合吗？真能解决我的问题？
嗯，试完之后我发现——我错了。
2.1 InterPro 是什么？
InterPro 不是单一数据库，而是一个数据库联盟。它把国际上多个主流的蛋白家族、结构域和功能位点数据库整合到一处，消除数据库之间的命名冲突与冗余。
你可以想象一个这样的场景：Pfam 定义了一个结构域叫「PF00001」，SMART 那边叫「SM00123」，其实它们描述的是一回事。InterPro 做的就是这件事——找到每个数据库之间的「重叠区」，并分配统一的 InterPro 条目（例如 IPR001234）。
关键理念：InterPro 不是替代单个数据库，而是「统一目录」。你查一个条目，等于同时翻了多个家族数据库。
2.2 发展历史：从数据库整合到全量扫描工具
InterPro 项目始于 1999 年，由欧洲生物信息学研究所（EMBL-EBI）发起。最初它只做了一件事：把 PROSITE、Pfam、PRINTS 三个数据库的小部分条目手动对齐。
后来数据库越加越多：SMART（2000）、TIGRFAMs（2001）、Gene3D（2004）、SUPERFAMILY（2005）…… 数据库多了，手工维护就撑不住了。
那时候我还在读硕士，印象很深的是我导师反复吐槽：「每次更新 Release，至少有一半条目要重新检查，人工干不完。」
为了把「手工对条目」这件事自动化，InterProScan 应运而生。第一个版本（2002 年左右）核心就是批量扫描，能把序列一次性提交给所有成员数据库，整合返回合并结果。
版本迭代了几个关键节点：
- v4.x：支持 Web 服务与命令行客户端，但依赖本地 Perl 部署，配置繁琐。
- v5.x：Java 重写，引入并发执行，扫描速度提升明显。
- v5.50+：支持 Docker 部署，GFF3/TSV 格式输出更标准。
- v5.60+（当前主流）：支持大规模集群部署，可直接对接 Uniprot 数据源。
你说为什么它活了二十多年还活跃？因为底层的「整合逻辑」没变，而序列数据一直在膨胀。
2.3 核心功能：不是「又一个数据库」，是搜索引擎
InterProScan 的核心功能——说白了就四个字：多数据库扫描。但它扫描的不是平铺直叙的比对，而是逐层细化的分析流程：
- 基序（Motif）扫描：用 PROSITE、HAMAP 等模式匹配方式，检查序列中是否存在特征短片段。
- 结构域识别：Pfam、SMART、TIGRFAMs 等利用隐马尔可夫模型（HMM）扫描，判断蛋白是否包含已知结构域。
- 功能位点定位：例如活性位点、结合位点、信号肽、跨膜区。
- 蛋白分类整合：根据匹配结果，归类到 InterPro 家族、超家族层级。
我的使用习惯：不要只看「匹配上了」就停，我通常会手动检查 InterPro 条目的 Evidence Code，确认是基于人工审核的 UniRule 还是自动计算的 HMM。前者可靠性更高。
2.4 支持的分析方法：Pfam、SMART、Gene3D 和其他
这是新用户最容易犯迷糊的地方：InterProScan 集成的方法太多种了，到底哪个方法管什么？
我这里列一个对照表，是我自己在项目里用的「信号解码表」：
| 方法 | 类型 | 最擅长 | 我遇到过的坑 |
|---|---|---|---|
| Pfam | HMM（结构域） | 全局结构域识别 | 缺 C 端的截断序列，Pfam 容易漏 |
| SMART | HMM（结构域） | 信号识别、低复杂度区域 | SMART 对跨膜结构域敏感，别乱信 |
| Gene3D | HMM（结构域） | 结构-功能关联 | 模型更新慢，旧版本可能出 False Positive |
| PROSITE | 正则/模式匹配 | 短基序（活性位点） | 假阳性率偏高，需其他方法交叉验证 |
| SUPERFAMILY | HMM（超家族层级） | 深层同源检测 | 对大序列超耗时 |
| TIGRFAMs | HMM（高特异性） | 代谢通路相关蛋白 | 物种偏菌门，真核常见空集 |
| PANTHER | HMM + 树 | 分类层次 + GO 注释 | 依赖上层层级，蛋白太短结果不完整 |
为什么表格写得这么详细？因为我曾经踩过坑：对一个细菌蛋白跑 InterProScan，出来一个 Gene3D 高置信度匹配——但那是真核物种的保守结构域。如果不交叉看 Pfam，就会被误导。
2.5 整合 BLAST 注释的动机：InterProScan 不是万能的
也许有人会问：InterProScan 已经整合了这么多数据库，为什么还要加 BLAST？
答案很简单：InterProScan 擅长已知结构域/家族的注释，但它对「全新家族」和「极端趋异序列」无能为力。
举个例子。我做过一个沙漠土壤宏基因组项目，拿到一批蛋白序列，和所有已知数据库比对都找不到结构域。InterProScan 返回「No significant match」。我这批序列真的没功能吗？未必。可能是它来自环境微生物新的分支，家族结构域已经漂移到 HMM 识别不了了。
这时候 BLAST 的「宽松搜索」就派上用场了。对比 HMM 的严格模型，BLAST 用更宽松的位点矩阵（BLOSUM62 等），更底层、更「粗粒度」地找到远源同源。
所以我的建议一直很明确：InterProScan + BLAST 是互补的关系，不是替代关系。InterProScan 解决「已知模板」的问题，BLAST 弥补「未知空间」的覆盖。
2.6 一张图看懂 InterProScan 的核心流程
下面用一张 SVG 图，帮我解释整个处理链条：
2.7 避坑指南：我踩过的那些雷
前面我说了不少个人经验，这里集中列几个高频的坑：
坑 1：默认只跑 Pfam 和 SUPERFAMILY？
InterProScan 默认开启的分析方法只有一部分。如果你想同时跑 SMART + Gene3D + PANTHER，得显式在命令行指定。我曾经默认跑完，发现条目标注少了一倍，怀疑自己数据有问题——结果只是没有加 --applications 参数。
避坑建议：自己写脚本扫描时，永远加上：
--applications Pfam,SMART,Gene3D,PANTHER,PROSITE,SUPERFAMILY,TIGRFAMs坑 2：输出格式误区
TSV 格式简单好解析，但如果有多个匹配到同一个 InterPro 条目，TSV 默认会合并行，丢失每个方法的具体匹配信息。我做过一次差异分析，发现条目统计不准——实际上就是格式理解不到位。
建议：调试阶段用 GFF3 格式，信息最全。
2.8 小结
InterProScan 不是什么「魔法工具」，它是一个多数据库并行的整合分析引擎。它的优势在于覆盖广、标注标准化、可以本地部署。缺点也明显——对新蛋白、极端分化序列、非结构域区域覆盖不足。
这也就是为什么，本教程的核心理念是「整合 BLAST 注释」。InterProScan 做精度，BLAST 做广度。两者结合，才能最大化覆盖率。