3、输入文件准备：FASTA格式、序列ID规范、多序列文件

3.1 先聊聊FASTA格式的基本盘

做过生物信息的朋友，对FASTA格式都不陌生。说白了，它就是一种纯文本的序列存储方式。我刚开始做大规模注释时，觉得这份简单得很，但后来吃了不少亏才明白——越是简单的格式，越容易在细节上翻车。

一个标准的FASTA文件，两行一个记录：

• 第一行以 > 开头，后面跟着序列描述信息
• 第二行开始写序列数据（核苷酸或氨基酸）
• 一条序列可以跨多行，但每行建议不超过80个字符

举个正确的例子：

>sp|P01130|LDLR_HUMAN Low-density lipoprotein receptor
MLGPCPLLCLLPLLLALLALALALAPAVQGDRCERNEFQCQDGKCISYKWVCDGSAECQDGSDESQE
TCLSVTCKSGDFSCGGRVANRGIQIGIRGPSGQCAKPCKLPEVATSCQ

嗯，这里要注意一个常见坑：序列行不能有空行。我记得有次帮同事排查，他跑了五小时的InterProScan全崩了，最后发现就是序列间插了个空行，程序直接报解析错误。

3.2 序列ID规范——这个真的容易被忽略

现在说说序列ID。InterProScan在处理批次注释时，会拿这个ID作为输出结果的唯一标识。如果ID不达标，后面所有解析都是白费功夫。

我个人习惯把序列ID限制在以下几类字符：

• 字母数字：a-z, A-Z, 0-9
• 下划线：_ 用于区分不同字段
• 分隔符：| 在UniProt格式中常用
• 点号：. 用于表示版本号（如gene_123.1）

绝对不能用的字符：空格、制表符、中文标点、特殊符号如@#$%^&*()。为什么会这样？因为InterProScan底层会用这些ID做文件名，Windows/Linux文件系统对这些字符敏感得很。

3.3 多序列文件的组织方式

讲完了单条序列，咱们来谈谈多序列文件。很多人拿到的FASTA文件是直接从某些数据库导出的，格式五花八门。我曾经接手过一个项目，十六万条序列塞在一个文件里，打开一看——有50%都是重复的或ID冲突的。

多序列文件的几个硬性要求：

1. ID必须唯一：不能出现两条序列以同一个>开头
2. 序列完整：不能截断，不能混入非标准氨基酸字符
3. 顺序无关：InterProScan不依赖输入顺序，但建议按相似度或基因组顺序排列
4. 文件大小：单个FASTA文件不要超过2GB，超过后建议分拆

举个例子，我常用的检查脚本会先提取文件中的所有ID，看看有没有重复：

grep "^>" your_sequences.fasta | sort | uniq -d

如果这个命令输出不为空，恭喜你，有麻烦了。重复的ID会导致InterProScan在最终输出中覆盖数据，结果会少掉一半。

3.4 避开那些我曾走过的弯路

我总结的几条避坑经验，现在分享给你：

• 序列行不能有数字或空格——很多NCBI导出的FASTA里序列行末尾会有行号，必须去掉
• 不要用中文或全角字符做ID——哪怕你用的是Mac或Linux，跨平台交换时必出编码错乱
• ID长度不要超过50个字符——太长的话，输出文件中的制表符对齐会乱掉
• 多序列之间保留1行空行？——不行，任何工具都不允许，只能用一个>号来分隔

>seq1_HUMAN
MKFLILFNILVSTLAFLSSSCFQEEIQELKAKYATRLVDENKII
>seq2_MOUSE
MKSRLILFNILVSTLAFLSSSCFQEEIQELRAKYAARLVDENKII
>seq3_RAT
MKSTLILFNILVSTLAFLSSSCFQEEIQELKAKYAARLVDENKIV

你看，这样干净清爽。第三行的ID我用了常见的物种缩写，中间用下划线连接。这种命名方式在后续查找注释结果时会非常方便。

3.5 核心逻辑图：序列文件准备流程

下面这张图总结了我处理FASTA文件时的标准流程，帮你快速理清思路：

看懂这张图了吗？就是三步走：先过ID关，再去重，最后检查序列质量。按这个流程执行，你的FASTA文件基本不会出大问题。我这些年看过的序列文件有个惊人的相似点——80%的报错都是ID不规范引起的。别小看这个步骤，它能省你几小时调错时间。