📚 课程目录第4章基本运行命令

第4章：基本运行命令：命令行选项、数据库选择、输出格式指定

InterProScan 跑起来其实不复杂。说白了，就是一条命令搞定的事。但恰恰是这条命令，藏着不少讲究。选什么数据库、用什么输出格式、CPU 给多少，每一项都会直接影响你的分析结果和效率。我做了这么多年质控，见过太多因为命令行写错一个参数就重跑三天的情况。嗯，这一章咱们就把这些细节掰开揉碎讲清楚。

4.1 命令行骨架长什么样

先看一个最基础的命令，你感受一下：

interproscan.sh -i proteins.fasta -o my_output -f TSV -dp

这行命令的意思是：输入一个蛋白质 FASTA 文件，输出 TSV 格式的结果，禁用预计算匹配（-dp）。咱们先记住这个骨架，后面所有变化都从这个基础命令衍生出来。

我个人习惯在跑任何批量分析之前，先用一条小数据测试命令行是否写对了。你想想看，要是等跑完 10 万个序列才发现参数错了，那多耽误事。

4.2 核心命令行选项详解

InterProScan 的选项不算多，但每个都很关键。我按使用频率从高到低列了一张表：

选项	作用	我常用的写法
`-i`	指定输入 FASTA 文件	`-i ./data/query.fasta`
`-o`	指定输出文件前缀	`-o ./results/run1`
`-f`	输出格式（TSV/XML/GFF3）	`-f TSV,XML`
`-dp`	禁用预计算匹配（推荐开启）	`-dp`
`-cpu`	使用的 CPU 核心数	`-cpu 8`
`-d`	指定要使用的数据库	`-d Pfam,Panther`
`-T`	临时文件目录	`-T /tmp/ips`
`-appl`	同 `-d`，指定应用	`-appl Pfam`

注意： -dp 这个选项我建议每次都加上。不开启的话，InterProScan 会优先去查预计算的匹配结果，虽然速度快，但可能会漏掉一些新的或特异的匹配。我在项目中遇到过因为没加 -dp 导致质控结果偏乐观的情况，后来全部重跑了。

4.3 数据库选择：不是越多越好

InterProScan 背后整合了十几个数据库。但你不需要每次都全部跑一遍。为什么？因为有些数据库覆盖的内容高度重叠，全跑不仅慢，还会让结果变得冗余。

常用的数据库有这么几个：

数据库	特点	我推荐的场景
Pfam	蛋白质家族和结构域，覆盖广	通用分析，必选
Panther	进化关系和功能分类	系统发育相关项目
PROSITE	功能位点和模式	功能基序分析
SMART	结构域注释，特异高	结构域精细分析
TIGRFAMs	直系同源家族，功能明确	细菌/古菌功能注释
CDD	保守结构域数据库	补充验证

我的习惯： 一般项目我会选 Pfam + Panther + PROSITE 三个，覆盖度够，速度也快。如果做细菌基因组质控，我会加上 TIGRFAMs。你不需要每次都用「全家桶」。

指定数据库的命令也很直接：

interproscan.sh -i proteins.fasta -o my_output -f TSV -dp -cpu 8 \
    -d Pfam,Panther,PROSITE

我曾经因为数据库选太多把服务器跑挂了。那是做一个宏基因组项目，我一股脑把所有数据库都选上，结果跑了整整四天还没跑完，最后 OOM 了。嗯，那次之后我就学乖了，按需选择才是正道。

4.4 输出格式：三个选择，三种用法

InterProScan 支持三种输出格式：TSV、XML 和 GFF3。它们不是互斥的，你可以同时输出多种。我一般都会同时输出 TSV 和 XML，前者用来看，后者用来做程序化处理。

三种格式的核心差异：

格式	结构	人类可读性	程序解析	文件大小	典型用途
TSV	表格，一行一个匹配	★★★★★	★★★	小	快速浏览、Excel 查看
XML	树形，层级嵌套	★★	★★★★★	大	下游程序处理、数据库导入
GFF3	9 列特征表	★★★	★★★★	中	基因组浏览器展示、比较基因组学

命令上，同时输出多种格式很简单：

interproscan.sh -i proteins.fasta -o my_output \
    -f TSV,XML,GFF3 -dp -cpu 8 -d Pfam,Panther

这条命令会生成三个文件：my_output.tsv、my_output.xml 和 my_output.gff3。

    质控视角： 我建议你在质控流程中至少保留一份 TSV 输出。它每一行就是一个匹配记录，用 grep、awk 或 Python 做统计非常方便。XML 虽然信息更全，但解析起来总得多写几行代码。

4.5 实战命令示例

给你几个我在真实项目中用过的命令模板，直接套用就行。

示例 1：快速质控扫描

interproscan.sh -i sample.fasta -o qc_result -f TSV -dp -cpu 4 \
    -d Pfam

示例 2：全面注释 + 多格式输出

interproscan.sh -i genome_proteins.fasta -o full_annot \
    -f TSV,XML,GFF3 -dp -cpu 16 \
    -d Pfam,Panther,PROSITE,SMART,TIGRFAMs

示例 3：指定临时目录，避免磁盘写满

interproscan.sh -i big_set.fasta -o big_results -f TSV -dp \
    -cpu 8 -d Pfam -T /data/temp_ips

避坑指南： 我曾经因为默认临时目录空间不足导致任务在运行了 30 小时后失败。所以，处理大批量数据时，一定用 -T 指定一个有足够空间的目录。

4.6 命令执行流程全景图

为了让你对整个流程有个整体印象，我画了一张流程图。它把输入、命令行解析、数据库选择、分析执行、输出格式转换这几个关键环节串了起来。你对照着看，心里会更清楚。

这张图把一条命令背后的执行链条完整展示出来了。你写命令的时候，脑子里可以过一遍这个流程——输入是什么、选哪些数据库、最后要什么格式。每一步都清楚，就不容易出错。

4.7 小提醒：输出文件命名有个细节

当你指定 -o my_output，InterProScan 会自动在文件名后面加上格式后缀。也就是说，你拿到的文件是 my_output.tsv、my_output.xml、my_output.gff3，而不是你手动拼接的。这个设计挺好，省去了自己加后缀的麻烦。

但要注意：如果你重复运行同一个 -o 名称，InterProScan 不会自动覆盖已有文件，而是直接报错退出。我刚开始用的时候就踩过这个坑，明明命令没写错，就是跑不起来。嗯，解决办法很简单：每次换一个输出名，或者先清理旧文件。

# 如果 my_output.tsv 已存在，下一次运行会报错
interproscan.sh -i proteins.fasta -o my_output -f TSV -dp

# 解决办法：换一个输出名，或者先清理
rm -f my_output.tsv
interproscan.sh -i proteins.fasta -o my_output -f TSV -dp

我的工作流： 我一般会在 -o 里加上日期和样本编号，比如 qc_sampleA_20250501。这样既不会重名，后续翻查结果时也一目了然。

以上就是第4章的全部内容。命令行选项、数据库选择、输出格式指定，这三个东西组合起来就构成了 InterProScan 的日常用法。你不需要记住所有参数，但把这几个核心用法印在脑子里，大部分场景都能应付。