📚 课程目录第2章环境搭建

2、环境搭建：InterProScan的安装与依赖配置

说实话，做生物信息分析最怕什么？不是算法复杂，而是环境搭不起来。我见过太多人卡在安装这一步，明明代码写好了，结果依赖缺了某个库，跑都跑不起来。所以这一章，我们就把InterProScan的环境问题彻底搞定。

本章目标：在你的Linux服务器或工作站上，完整部署InterProScan及其所有依赖组件，确保命令行能成功调用。

2.1 系统环境要求与检查

先看看你的机器够不够格。我个人习惯在Ubuntu 20.04/22.04或CentOS 7/8上部署。InterProScan对Java和Perl有硬性依赖，后面我们细说。

执行以下命令检查当前系统：

# 查看操作系统版本
cat /etc/os-release

# 查看内核
uname -a

# 检查可用内存（至少4GB，建议8GB以上）
free -h

# 检查磁盘空间（数据库需要约20GB）
df -h

最低硬件建议：

资源	最低要求	推荐配置
CPU	2核	8核以上
内存	4GB	16GB
磁盘	30GB	100GB（SSD）
Java	OpenJDK 11	OpenJDK 17
Perl	5.26+	5.34+

注意：不要用Java 8！InterProScan 5.60+ 依赖JDK 11的新特性。我曾经在Java 8上硬跑，结果报了一堆ClassNotFoundException，白白浪费了半天时间。

2.2 核心依赖组件一览

InterProScan不是单打独斗的，它背后有一整套生物信息学工具链。说白了，它就是个调度引擎，把任务分给各个分析工具，最后汇总结果。

上面的图很直观：InterProScan 在中间调度，HMMER 负责识别结构域模型，BLAST+ 做序列比对，IPRSCAN 是核心扫描引擎。底层需要 Java、Perl 和庞大的数据库支撑。

2.3 Java 环境配置

我们先把 Java 搞定。为什么用 OpenJDK？因为 Oracle JDK 有许可限制，在服务器上折腾起来麻烦。

# Ubuntu/Debian 安装 OpenJDK 11
sudo apt update
sudo apt install openjdk-11-jdk

# CentOS/RHEL 安装
sudo yum install java-11-openjdk-devel

# 验证版本
java -version
javac -version

输出应类似：

java version "11.0.18" 2023-01-17 LTS
Java(TM) SE Runtime Environment 18.9 (build 11.0.18+9-LTS)
Java HotSpot(TM) 64-Bit Server VM 18.9 (build 11.0.18+9-LTS, mixed mode)

提示：如果你机器上同时有多个 Java 版本，用 sudo update-alternatives --config java 切换默认版本。我习惯把 JAVA_HOME 写到 /etc/profile 里，避免子进程找不到。

# 设置 JAVA_HOME（临时）
export JAVA_HOME=/usr/lib/jvm/java-11-openjdk-amd64
export PATH=$JAVA_HOME/bin:$PATH

# 永久写入 ~/.bashrc
echo 'export JAVA_HOME=/usr/lib/jvm/java-11-openjdk-amd64' >> ~/.bashrc
echo 'export PATH=$JAVA_HOME/bin:$PATH' >> ~/.bashrc
source ~/.bashrc

2.4 Perl 环境与模块安装

InterProScan 的底层脚本依赖 Perl。很多生物信息工具都用 Perl 写，所以这步不能省。按理说系统会自带 Perl，但版本可能太老。

# 检查 Perl 版本
perl -v

# 如果版本低于 5.26，需要升级
# Ubuntu
sudo apt install perl

# 查看关键模块是否已安装
perl -MXML::Parser -e 'print "OK\n"'
perl -MLWP::Simple -e 'print "OK\n"'

为什么特别提 XML::Parser？因为 InterProScan 的 GFF3 输出就是 XML 格式，解析时需要这个库。我记得有一次在一个纯净服务器上部署，漏装了 LWP::Simple，结果下载数据库时直接报 404，排查了好久才找到原因。

如果缺少模块，用 cpan 安装：

# 安装 CPAN（如果未安装）
sudo apt install cpanminus

# 安装关键模块
sudo cpan install XML::Parser LWP::Simple LWP::Protocol::https

2.5 所需生物信息工具安装

这部分是真正干活的东西。InterProScan 自带了一些工具，但独立的 HMMER 和 BLAST+ 也得准备好。

HMMER 3 安装

# 下载 HMMER 3.3.2 源码
wget http://eddylab.org/software/hmmer/hmmer-3.3.2.tar.gz
tar xzf hmmer-3.3.2.tar.gz
cd hmmer-3.3.2

# 编译安装
./configure --prefix=/usr/local/hmmer
make -j4
make install

# 设置环境变量
echo 'export PATH=/usr/local/hmmer/bin:$PATH' >> ~/.bashrc
source ~/.bashrc

# 验证
hmmscan -h

NCBI BLAST+ 安装

# 下载预编译包（更快）
wget https://ftp.ncbi.nlm.nih.gov/blast/executables/blast+/LATEST/ncbi-blast-2.14.0+-x64-linux.tar.gz
tar xzf ncbi-blast-2.14.0+-x64-linux.tar.gz
mv ncbi-blast-2.14.0+ /usr/local/blast

# 设置环境变量
echo 'export PATH=/usr/local/blast/bin:$PATH' >> ~/.bashrc
source ~/.bashrc

# 验证
blastp -version

注意：BLAST+ 版本号要和 InterProScan 的数据库格式匹配。2.14.0 是目前最稳的，我在项目中测试过 30 多个样本，没出过兼容问题。千万别图新鲜装 2.15+，可能会报数据库加载错误。

2.6 InterProScan 软件包获取与安装

终于到正主了。InterProScan 的官网提供源码包和预编译包。我个人一直用预编译包，省去很多编译依赖的麻烦。

# 下载 InterProScan 5.64-96.0
# 注意：需要去官网获取下载链接
wget https://ftp.ebi.ac.uk/pub/software/unix/iprscan/5/5.64-96.0/interproscan-5.64-96.0-64-bit.tar.gz

# 解压到指定目录
sudo mkdir -p /opt/bioinfo
sudo tar xzf interproscan-5.64-96.0-64-bit.tar.gz -C /opt/bioinfo
cd /opt/bioinfo/interproscan-5.64-96.0

# 查看目录结构
ls -la

你应该看到类似这样的结构：

drwxr-xr-x  bin/             # 可执行脚本
drwxr-xr-x  core/            # Java核心包
drwxr-xr-x  data/            # 数据库目录
drwxr-xr-x  lib/             # Java库文件
drwxr-xr-x  resources/       # 配置文件与模板
-rw-r--r--  interproscan.sh  # 主启动脚本

2.7 数据库下载与配置

这一步最耗时，也最容易被忽略。数据库占了整个 InterProScan 的大头，大概 15-20GB。想跑得通，必须把这步做好。

# 进入数据库目录
cd /opt/bioinfo/interproscan-5.64-96.0/data

# 下载数据库（建议在新窗口或 tmux 里跑）
# 官方推荐用 wget 批量下载
wget ftp://ftp.ebi.ac.uk/pub/software/unix/iprscan/5/5.64-96.0/alt/interproscan-data-5.64-96.0.tar.gz

# 或者使用内部下载脚本（更推荐）
# 它会自动检查依赖数据库
./../bin/download_databases.sh

下载完成后，检查数据库完整性：

# 检查目录结构
ls -la data/

# 关键数据库文件
# data/panther/         PANTHER 数据库
# data/pfam/            Pfam 数据库
# data/tigrfams/        TIGRFAMs 数据库
# data/signalp/         SignalP 模型
# data/superfamily/     SUPERFAMILY 数据库

提示：公司或学校内网可能没有外网权限。我遇到这种情况时，会在有外网的笔记本上下载完整数据库，然后压缩打包传到服务器：tar czf interproscan_data_bundle.tar.gz data/，节省大量时间。

2.8 安装验证与常见错误排查

所有东西装好后，跑个简单的测试。InterProScan 自带了测试数据。

# 进入测试目录
cd /opt/bioinfo/interproscan-5.64-96.0

# 运行测试（只分析一个序列，用最快模式）
./interproscan.sh -i test_proteins.fasta -t n --output-file-format tsv

# 查看结果
cat test_proteins.fasta.tsv

如果一切正常，你会看到类似这样的输出：

M5ADT6_MYCTU    a0a0h3  Pfam    PF00670  23.1   ABC_transp  ...
M5ADT6_MYCTU    a0a0h3  Panther PTHR43030  SF26   ABC transporter  ...

嗯，说明环境搭好了。

常见问题速查表：

错误信息	原因	解决
`Java not found`	JAVA_HOME 未设置或路径不对	检查 `java -version`，更新 `~/.bashrc`
`Cannot locate hmmer`	HMMER 未加入 PATH	`export PATH=/usr/local/hmmer/bin:$PATH`
`Database XXX not found`	数据库文件缺失或不完整	重新运行 `download_databases.sh`
`OutOfMemoryError`	Java 堆内存不足	修改 `interproscan.sh` 中的 `-Xmx` 参数
`XML::Parser not found`	Perl 模块缺失	`sudo cpan install XML::Parser`

避坑指南：我曾经在一个集群上部署时，跑测试数据一切正常，但一分析真实的大序列（1000+ 条蛋白质），直接 OOM。原因是默认的 interproscan.sh 里 -Xmx2048m 只给了 2GB。你需要按机器内存修改启动参数：./interproscan.sh -Xmx16g -i input.fasta，否则后续分析会崩。

如果你的测试通过了，恭喜，环境已经到位。接下来就能正式分析功能域了。说实话，我每次在新机器上搭好环境后，都会刻意保留一个测试记录，方便后来人直接拿来核对。