4. 数据库下载与管理：核心数据库列表（Pfam、ProDom等），使用interproscan.sh自动下载，手动管理数据库路径
数据库，是InterProScan功能注释的弹药库。没有数据库，你跑再多的序列也只是一堆字母。我见过不少新手，上来就装软件，装完就跑，结果卡在下载数据这一步——文件巨大、网速不给力、中断重来……心态直接崩了。
这一章，咱们就专门搞定数据库的下载和管理。说白了，就是让你知道要下载哪些库、怎么下、下完放哪儿，以及出了问题怎么救。
4.1 核心数据库有哪些？
InterProScan背后有十几个成员数据库，每个库都有自己的统计模型或算法，用来识别不同类型的序列特征。我把最常用的几个拉出来给你看看：
| 数据库名称 | 类型 | 识别对象 | 模型方法 |
|---|---|---|---|
| Pfam | 蛋白质家族 | 结构域、保守位点 | HMM（隐马尔可夫模型） |
| ProDom | 蛋白质结构域 | 同源结构域 | PSI-BLAST迭代聚类 |
| PRINTS | 蛋白质指纹 | 保守基序组合 | 指纹图谱比对 |
| SMART | 信号结构域 | 信号肽、跨膜区域 | HMM + 规则库 |
| TIGRFAMs | 蛋白质家族 | 功能相关家族 | HMM（高特异性） |
| Gene3D | 蛋白质结构 | CATH结构分类 | HMM + 结构比对 |
| SuperFamily | 超家族 | 远源同源关系 | HMM（多序列比对） |
| PANTHER | 功能分类 | 基因本体、通路关联 | HMM + 进化树 |
| CDD | 保守结构域 | NCBI保守域数据库 | RPS-BLAST |
| PIRSF | 蛋白质家族 | 非冗余功能分类 | 多序列比对+人工校验 |
你可能会问：「这些库我都要下吗？」说实话，全下下来占空间挺大的，差不多30-40GB。我个人习惯的做法是：先下Pfam和ProDom，跑通流程，后面再根据需要添加其它库。这样既不耽误练习，又不会因为第一次下载时间过长而劝退自己。
4.2 使用interproscan.sh自动下载
InterProScan官方给我们准备了一个自动脚本，就在解压后的根目录下，叫interproscan.sh。它能帮你把数据库从EMBL-EBI的FTP服务器拉下来，省得你一个个去官网找。
命令长这样：
# 进入InterProScan目录
cd interproscan-5.65-96.0
# 只下载核心数据库（Pfam、ProDom等）
./interproscan.sh -d
# 或者下载全部数据库（时间长，空间大）
./interproscan.sh -d all第一次运行时，它会自动检查data/目录下有没有数据库文件。如果发现是空的，就会启动下载。终端里会打印出类似下面的日志：
INFO: Starting download of core databases...
INFO: Checking for Pfam...
INFO: Pfam not found, downloading from https://ftp.ebi.ac.uk/pub/databases/interpro/current/
INFO: Downloading Pfam-A.hmm.gz (5.8 GB)
INFO: 15% complete...
INFO: 32% complete...
...
INFO: Download complete for Pfam
INFO: Decompressing Pfam-A.hmm.gz...
INFO: Running hmmpress to index Pfam-A.hmm...
INFO: Pfam ready.
INFO: Checking for ProDom...
...核心要点：
-d参数不带任何选项时，默认只下载「核心数据库」（Pfam、ProDom、PRINTS、SMART、TIGRFAMs、SuperFamily、PANTHER、CDD、PIRSF、Gene3D这10个）-d all会下载包括CATH、MobiDB等在内的全部数据库，大约需要80-100GB磁盘空间- 下载完成后会自动解压、运行
hmmpress对HMM文件建立索引 - 国内网络环境下，建议使用
nohup或screen让下载在后台跑，避免断连
小技巧：如果下载中途断了，可以再次运行./interproscan.sh -d，脚本会检测已下载的文件，从断点处续传。不过要注意，这依赖于FTP服务器是否支持断点续传——EMBL-EBI一般是支持的，但部分镜像站可能不行。
4.3 手动管理数据库路径
自动下载虽然方便，但实际工作中往往会遇到更复杂的情况。比如：
- 你想把数据库放在单独的磁盘或挂载点（节省根分区空间）
- 你需要在多个InterProScan实例之间共享同一个数据库目录
- 你从别的服务器拷贝了现成的数据库，不想重新下载
这时候，手动管理数据库路径就成了刚需。
4.3.1 通过环境变量指定路径
InterProScan支持通过环境变量INTERPROSCAN_DATA来指定数据库存放位置。举个例子：
# 把数据库放到 /data/bioinfodb/interpro_data
export INTERPROSCAN_DATA=/data/bioinfodb/interpro_data
# 然后用 -d 参数下载到该路径
./interproscan.sh -d
# 之后运行分析时也保持这个环境变量
./interproscan.sh -i input.fasta -o output.gff3设置好之后，脚本就会在/data/bioinfodb/interpro_data下寻找或存放数据库文件，不会再碰解压根目录下的data/文件夹。
4.3.2 修改interproscan.properties配置
还有一个更「硬」的做法——直接改配置文件。找到根目录下的interproscan.properties，搜索data.directory这一行：
# 原始配置
data.directory=data
# 修改为自定义路径
data.directory=/data/bioinfodb/interpro_data改动之后，就算你没有手动export环境变量，InterProScan也会去这个自定义路径找数据。
曾经有个坑：我之前有个项目，在集群上跑InterProScan，用户把数据库路径配到了interproscan.properties，又同时export了一个不同的INTERPROSCAN_DATA环境变量。结果环境变量优先级高于配置文件，一直报错说数据库找不到。查了半天才发现是变量冲突了。所以我的建议是——不要同时使用两种方式，选一种保持一致。
4.3.3 手动下载与软链接
如果你因为网络问题没法用自动下载，或者手头已经有完整的数据包，可以这样操作：
# 1. 手动从EMBL-EBI官网下载数据包
wget https://ftp.ebi.ac.uk/pub/databases/interpro/current/interproscan-data-5.65-96.0.tar.gz
# 2. 解压到目标目录
tar -zxf interproscan-data-5.65-96.0.tar.gz -C /data/bioinfodb/
# 3. 建立软链接到InterProScan的data目录
ln -s /data/bioinfodb/interproscan-data-5.65-96.0 interproscan-5.65-96.0/data为什么要用软链接？因为这样既能把数据库挪到大容量分区，又不破坏InterProScan默认的数据寻找逻辑。你想想看，如果每次都改配置文件，换版本的时候又得重新改，多麻烦。软链接一次配好，以后升级InterProScan只要把链接指到新版本就行。
4.4 数据库验证与完整性检查
数据下载完，不代表万事大吉了。我之前遇到过一个问题——下载中断导致某个HMM文件不完整，结果运行注释时，Pfam那一步直接报错退出。排查了半天才发现是数据损坏。
为了避免这种情况，建议下载后做两件事：
- 检查md5校验和——官方提供了
.md5文件，用md5sum -c *.md5验证 - 检查HMM索引文件——确保每个
.hmm文件都有对应的.h3m、.h3f等索引文件
# 进入数据库目录
cd /data/bioinfodb/interpro_data
# 验证md5
md5sum -c interproscan-data-5.65-96.0.tar.gz.md5
# 检查Pfam索引是否完整
ls -la Pfam-A.hmm*如果索引文件缺失，可以手动运行hmmpress重建：
hmmpress Pfam-A.hmm4.5 知识体系：数据库下载与管理核心逻辑
这张图帮你理清整个数据库下载与管理的流程，从选择数据库、执行下载，到路径配置和验证，一步到位。
4.6 本章小结
数据库下载是InterProScan最耗时的一步，也是最容易被忽略的一步。把这一章的内容捋清楚，后面跑注释就顺畅多了。
- 核心数据库包括Pfam、ProDom、PRINTS等10个，总大小约30-40GB
- 自动下载用
./interproscan.sh -d，支持断点续传 - 路径管理有3种方式：环境变量、配置文件、软链接
- 验证完整性用md5校验和
hmmpress索引检查
说实话，数据库这块只要配好一次，后面基本就不用再操心了。切换到新版本时，软链接或环境变量的优势就体现出来了——改一个路径，所有数据库自动复用。这个习惯，建议你从一开始就建立起来。