📚 课程目录第2章 InterProScan安装与配置

InterProScan安装与配置：Linux环境部署与数据库下载

老实说，InterProScan的安装并不算复杂，但坑确实不少。我自己第一次部署时，光数据库下载就折腾了大半天——明明看着进度条跑完了，一运行就报错。后来才发现是磁盘空间不够，解压到一半直接挂了。

这一章，我带你把整个环境搭起来。从系统依赖到数据库下载，每一步都过一遍。

1. 系统依赖准备

InterProScan基于Java开发，所以JDK是必须的。版本方面，我个人习惯用OpenJDK 11，兼容性最稳。

# 安装OpenJDK 11
sudo apt-get update
sudo apt-get install openjdk-11-jdk

# 验证
java -version

输出应该类似这样：

openjdk version "11.0.18" 2023-01-17 LTS
OpenJDK Runtime Environment (build 11.0.18+10-post-Ubuntu-0ubuntu120.04.1)
OpenJDK 64-Bit Server VM (build 11.0.18+10-post-Ubuntu-0ubuntu120.04.1, mixed mode, sharing)

注意：Java版本不要低于8，也别用太新的17或21。我在项目里遇到过InterProScan 5.x不兼容Java 17的情况，报错信息极其隐晦，查了半天才发现是JDK版本问题。

另外，Perl和一些基础工具也得装上：

sudo apt-get install perl
sudo apt-get install wget curl

2. 获取InterProScan安装包

官方下载地址放在EBI的FTP上。我通常直接拿wget拉取，速度还行。

wget ftp://ftp.ebi.ac.uk/pub/software/unix/iprscan/5/5.63-93.0/interproscan-5.63-93.0-64-bit.tar.gz

这个包大概1.2GB。下载完记得校验完整性：

md5sum interproscan-5.63-93.0-64-bit.tar.gz

官方提供的MD5值在FTP同目录下有个.md5文件，对比一下即可。

我的经验：万一网络不稳定，建议用wget -c断点续传。我曾经在学校机房下载到99%断连，没有加-c参数，只能从头再来，心态崩了。

3. 解压与目录规划

解压前先想清楚放哪。我个人习惯放在/opt或者/usr/local下，方便全局调用。

tar -xzf interproscan-5.63-93.0-64-bit.tar.gz -C /opt/
cd /opt/interproscan-5.63-93.0

解压后的目录结构大概是这样：

interproscan-5.63-93.0/
├── bin/
├── core/
├── data/
├── lib/
├── resources/
└── interproscan.sh

这里面几个目录很关键：

bin/ —— 核心二进制和wrapper脚本
data/ —— 存放数据库文件（等你下载后放进来）
lib/ —— Java依赖库
interproscan.sh —— 主启动脚本，后面全靠它

4. 数据库下载

这才是个重头戏。InterProScan自带了一套精简数据库，但为了完整功能，我建议把全部成员数据库都下载下来。

官方提供了一个自动下载脚本，在data/目录下：

cd data/
python3 manage_databases.py --download-all

重要提醒：全量数据库大概80GB左右。确保你的磁盘还剩至少150GB——因为下载的是压缩包，解压还要额外空间。我曾经在20GB的服务器上直接跑这个命令，跑到一半磁盘满了，系统直接hang住，最后只能重启重来。

如果你不想下全量，可以按需选择。表2-1列出了常用数据库的识别功能：

数据库名称	识别特征类型	数据量
Pfam	蛋白质结构域	~5GB
PRINTS	蛋白质指纹图谱	~2GB
ProSitePatterns	保守序列模式	~200MB
ProSiteProfiles	序列谱	~3GB
SMART	简单模块化架构域	~1GB
SUPERFAMILY	超家族	~8GB
TIGRFAMs	蛋白质家族	~2GB

按需下载的命令示例：

python3 manage_databases.py --download Pfam SMART ProSitePatterns

下载完成后，脚本会自动解压到data/目录的对应子文件夹里。检查一下结果：

ls -lh data/
drwxr-xr-x pfam/
drwxr-xr-x smart/
drwxr-xr-x prositeprofiles/
...

特别说明：InterProScan的数据库是增量更新的。官方每季度发布一次新版本。你之后可以只运行--download-new来补新数据，不用全量重下。

5. 配置与快速验证

数据库下载完，在启动前，检查一下interproscan.properties配置文件。这个文件在安装根目录下：

vim interproscan.properties

关键参数有这么几个：

# Java堆内存大小，默认是2GB
memory.initial=2048m
memory.maximum=4096m

# 数据库路径（一般都是相对于安装目录的data/，不用改）
data.directory=data/

# 是否启用并行扫描
scan.max.parallel=4

嗯，这里要注意一下堆内存设置。如果服务器内存比较紧张，比如只有8GB，我建议把memory.maximum设为4096m，别给太高，否则系统直接OOM。

配置完，跑一个最小测试：

./interproscan.sh -i test_proteins.fasta -f TSV

test_proteins.fasta是官方提供的示例文件，在test/目录下。如果一切正常，终端会输出扫描进度，最后在当前目录下生成test_proteins.fasta.tsv和test_proteins.fasta.gff3两个文件。

我自己常用的测试序列：如果你手头没有测试文件，直接用下面这个快速手写一个：

echo ">test_seq
MSQVTNAGQYDPSTALNMQQFQNGLQIANHMRVIMVTNLNENLSTAE" > test.fa

然后运行./interproscan.sh -i test.fa -f TSV，十几秒就能出结果。

本章结构图

下面这张图总结了整个安装流程，从环境准备到运行验证。你看一眼就能知道每一步在做什么：

说白了，整个安装流程就是这六个步骤，环环相扣。我个人花了最多时间的地方在数据库下载和配置调优，其他几步基本都是一次过的。

常见问题排查

安装过程中难免遇到各种问题。我列几个自己踩过的坑：

Java版本不兼容：启动时报Unsupported major.minor version，基本就是JDK版本高了。降级到JDK 11即可。
数据库加载失败：启动后半天没反应，一看日志是数据库文件损坏或没解压完。重新执行manage_databases.py的下载步骤，注意磁盘空间。
内存溢出（OOM）：扫描大序列集时直接崩了。检查memory.maximum设置，不要超过物理内存的60%。
权限问题：interproscan.sh没有执行权限。运行chmod +x interproscan.sh即可。

一条实用经验：我第一次搭环境时，用学校服务器跑全量数据库下载，结果网络卡顿导致部分数据库下载不完整，运行时报错说"Pfam数据库缺失"。后来我加了个校验步骤：下载完成后，用ls -lh对比每个数据库文件夹的大小，跟官方文档列出的体积做比较，能快速发现问题。

好，环境搭好，数据库到位。下一步就可以开始拿真正的序列数据做特征提取了。