输入序列准备：FASTA格式规范、序列标识符要求、多序列文件处理

做InterProScan跑批量的序列注释，第一步就是准备输入数据。这一步看着简单，但翻车的人真不少。我这些年帮别人排查问题，十次里有四五次都是序列格式搞砸了——要么是多了一个空格，要么是标识符里混了特殊字符。你得信我，花10分钟把序列准备好，比跑完任务再重来要划算得多。

FASTA格式的核心规范

FASTA格式其实没啥复杂的，就是两条规则：

• 描述行以 > 开头，后面跟标识符和可选的描述文字
• 序列行只包含标准的氨基酸或核苷酸字母

但恰恰是这种简单，让人容易掉以轻心。我见过有人把序列行里混进数字，还有人把 > 前面加了空格，这些在InterProScan里都会直接报错。

# 正确示例
>sp|P04637|P53_HUMAN Cellular tumor antigen p53 OS=Homo sapiens
MEEPQSDPSVEPPLSQETFSDLWKLLPENNVLSPLPSQAMDDLMLSPDDIEQWFTEDPGP
DEAPRMPEAAPPVAPAPAAPTPAAPAPAPSWPLSSSVPSQKTYQGSYGFRLGFLHSGTAK
SVTCTYSPALNKMFCQLAKTCPVQLWVDSTPPPGTRVRAMAIYKQSQHMTEVVRRCPHH

# 错误示例1：描述行前有空格
 sp|P04637|P53_HUMAN Cellular tumor antigen p53
MEEPQSDPSVEPPLSQETFSDLWKLLPENNVLSPLPSQAMDDLMLSPDDIEQWFTEDPGP

# 错误示例2：序列行包含非法字符
MEEPQSDPSVEPPLSQETFSDLWKLLPENNVLSPLPSQAMDDLMLSPDDIEQWFTEDPGP123

我个人习惯，在提交前先用 grep -v "^>" 过滤掉描述行，然后检查剩下的行有没有非字母字符。小技巧，但很管用。

序列标识符的那些坑

很多人以为标识符随便写个名字就行。天真了。InterProScan对标识符有严格限制——说白了，它用标识符做中间文件名、数据库键值，你乱写它就乱崩。

我在项目中遇到过什么情况？有人用中文当标识符，有人用竖线 | 分隔符却忘了转义，还有人标识符里带了换行符。这些在本地跑可能没问题，但一旦上集群、走PBS调度、或者跨平台迁移时，全部炸给你看。

我建议遵循以下规范：

怎么验证标识符？很简单，用 grep 跑一下就行：

# 检查非法字符
grep "^>" your_seqs.fasta | grep -E "[^a-zA-Z0-9_.-]" | head -5

# 检查重复标识符
grep "^>" your_seqs.fasta | sort | uniq -d

# 检查超长标识符
grep "^>" your_seqs.fasta | awk 'length($0) > 100'

这三条命令跑完，没问题了再往下走。你想想看，2000条序列一起跑，结果因为某个人的ID用了个管道符全崩了——这种情况我见过不止一次。

多序列文件的处理要点

真正的大活儿来了。单条序列好办，几十万条序列的FASTA文件，你怎么处理？InterProScan虽然是批处理工具，但它对文件结构还是有脾气。

核心要点就三个：

1. 每个序列ID必须唯一。 —— 重名了？InterProScan不会帮你改，直接覆盖输出结果。你排查的时候还以为是某个序列没出结果，其实是结果被覆盖了。
2. 不能有空序列。 —— 描述行后面直接接下一个 > ，中间没有序列数据。这种叫空条目，InterProScan遇到会跳过，但不报错。你以为是它跑了，其实它什么都没跑。
3. 文件不能太大。 —— 我建议单文件不超过5万条序列，不然内存撑不住，特别是做HMMER搜索时。

# 查看FASTA文件统计信息
seqkit stat input.fasta

# 拆分成每个子文件5000条序列
seqkit split -s 5000 input.fasta -o split_dir/

# 检查空序列
seqkit grep -r -p "^$" input.fasta

我曾经遇到过一个用户，他提交了3000条序列，其中200条是空序列。他问我为什么有些序列没有结果，我一排查就发现了。说白了，他那个FASTA文件是从Excel粘贴过来的，Excel的行尾处理和换行符搞得一塌糊涂。

还有个问题要注意：换行符的一致性。Windows环境下生成的 .fasta 文件，换行符是 \r\n，Linux下是 \n。InterProScan在Linux上跑，遇到 \r 会把它当成序列的一部分，导致匹配不上任何数据库。

怎么修？一行命令的事：

# 转换换行符
sed -i 's/\r$//' input.fasta

嗯，这里要注意：加了 -i 是直接修改原文件。保险起见，先备份再操作。

知识结构总览

我把上面讲的内容画了一个流程框架图，你对照着梳理一遍就好。