📚 课程目录第3章运行InterProScan

3. 运行 InterProScan：输入格式、常用参数与输出文件

好，咱们到了真正动手跑扫描的时候了。这部分其实不难，但坑也不少。我刚开始用的时候，光是在输入格式上就栽过跟头。今天我把这事儿掰开了讲，你照着做就行。

3.1 输入格式：FASTA 的基本要求

InterProScan 只吃 FASTA 格式，别的不要。说白了，就是一行以 > 开头的描述行，后面跟着序列。

为啥只用 FASTA？ 这格式简单干净，没有冗余的元数据。InterProScan 内部解析器就是为它优化的。我见过有人拿 GenBank 格式往里塞，结果程序直接报错退出。

一个标准的 FASTA 文件长这样：

>sp|P01008|ANT3_HUMAN Antithrombin-III OS=Homo sapiens OX=9606 GN=SERPINC1 PE=1 SV=1
MGSNKSGAQKTQTASVQYQPLVEKDAIQRDFLEKVSSLAKLLDHSPLQGRADHGLGILDLRYVVRE
INNAFPGEVKVITWDKIATPLMAEKAQSWHNHYRSFGHVVSVFGKLKTHLNQDALVHLTGRDASSV
EISVPSVSETRIPNENPVTREVVLVADHLAASTVRVMDSRLAFEVYPLEDFANNFLELQQINVA
>Q9Y6X9|B3GNT7_HUMAN
MRLALLCGAVLLVVAELTALGASLGRDASQPAEGHLS

嗯，这里要注意几点：

描述行别太长。我个人建议控制在 80 个字符以内。有些数据库的描述行写得特别长，解析时虽然不会出错，但后面的可视化工具可能会截断，影响阅读。
序列中不要有空格。FASTA 标准里允许空格，但 InterProScan 的一些旧版本会报 warning。我习惯预处理时直接用 sed 或 tr 去掉。
序列 ID 保持唯一。如果你有多个同名的序列，后来者会覆盖前面的结果。这在批量分析时特别容易忽略。

避坑指南：我曾经拿到一个 FASTA 文件，序列中间夹杂了 `*` 和 `-` 字符。InterProScan 对这些特殊符号的容忍度很低，会直接跳过整条序列。跑完一看结果，少了一半的条目。从那以后我养成了用 `grep -v "[^ACDEFGHIKLMNPQRSTVWY\n>]"` 先清洗一遍的习惯。

3.2 核心参数：-iprscan5, -goterms, -pa

InterProScan 参数很多，但日常用得最多的就这三个。我把它们列个表，方便你对照：

参数	作用	我的使用习惯
`-iprscan5`	启用 InterProScan 5 的分析管线。默认就是，但显式写出来更安全	每次都加。我遇到过服务器默认版本是 4.x 的情况，不加这参数就跑不起来
`-goterms`	输出 GO 功能注释。这是最常用的特征，用于后续的功能富集分析	只要做功能解析就加。相信我，后续你一定会需要 GO 的
`-pa`	生成蛋白质结构域架构（Pathway and Architecture）的注释	做蛋白质家族分类时加。它能给出域的组合模式，比单个域信息量更大

一个典型的生产环境命令是这样的：

interproscan.sh -i input.fasta -f TSV -dp -goterms -pa -iprscan5 -o output.tsv

这里我额外加了 -f TSV 指定输出格式，-dp 禁用预计算匹配（如果你有内部数据，设这个会节省很多时间），-o 指定输出文件名。

别贪心一次全上。如果你序列超过 1000 条，再开启所有分析数据库，跑一天都不奇怪。我建议先用小样本测试，确认参数组合无误后，再用大文件跑。这是我从一次次熬夜等结果中悟出来的教训。

3.3 输出文件：解析 TSV、XML 和 GFF3

InterProScan 支持多种输出格式。我用得最多的是 TSV、XML 和 GFF3。它们各有千秋，我按使用频率排个序：

3.3.1 TSV（制表符分隔）—— 特征工程的首选

为什么推荐这个？因为它是结构化数据，直接用 pandas 就能读。而且每个字段都有明确的列索引。

# 格式示例（实际没有注释行，这里是我加的说明）
# 列: 序列ID\t序列长度\t分析数据库\t签名访问号\t签名描述\t起始\t终止\t得分\t状态\t日期\tInterPro访问号\tInterPro描述\tGO注释\t路径
1 protein_id|ABC123		Pfam		PF00001	7tm_1		50	350	1.2E-45	T	2024-03-15	IPR000001	GPCR-like	GO:0007186	-

我个人习惯用 TSV 格式做批量处理。你想想看，每一条记录都包含序列 ID、数据库名、签名 ID、位置、得分和 GO 注释，这不正是做特征工程最肥沃的土壤吗？

为什么我偏爱 TSV：我最初做特征提取时也是用的 XML，但解析起来太麻烦了，每读一个文件就要写几十行 XPath 代码。后来换了 TSV，代码直接缩短到 3 行。效率提升不是一点半点。

3.3.2 XML（可扩展标记语言）—— 信息最全

XML 包含了所有数据库的原始结果、匹配细节和算法信息。它比 TSV 多出了匹配的序列片段、HMM 的比对状态等细节数据。

但是，它的体积也大得惊人。我处理过一个 500 条蛋白的 FASTA，TSV 只有 2 MB，XML 直接干到 200 MB。如果你只是做特征工程，没必要用 XML。

什么时候该用 XML：当你要深挖某个域的匹配质量，比如看 HMM 的置信度分数分布，或者要做域架构的精确解析时，XML 是唯一的选择。我记得有一次，我需要判断一个预测的转膜域是否被多个数据库同时支持，XML 帮了大忙。

3.3.3 GFF3（通用特征格式）—— 基因组浏览器友好

GFF3 格式在基因组注释领域用得很多。每条记录都描述了特征在序列上的位置、属性及来源。它可以直接加载到 IGV 或 UCSC Genome Browser 里看。

但我很少把它用于特征工程。为什么？因为它的数据是“扁平”的，缺少层次关系。你要做域组合分析时，还得自己聚合。这一点 TSV 做得更好。

输出格式	特征工程推荐	理由
TSV	⭐️⭐️⭐️⭐️⭐️	结构清晰，可读性强，内存友好
XML	⭐️⭐️⭐️⭐️	信息完整，但解析复杂、文件大
GFF3	⭐️⭐️⭐️	适合可视化，不直接用于特征构建

3.4 一张图理清流程

好啦，上面说了这么多，我给你画个流程图，让你一眼看明白输入、参数和输出之间的关系。

你看，输入、参数和输出三者之间的逻辑非常清晰。FASTA 进去，经过参数控制的分析管线，最后吐出你想要的格式。我个人建议初次使用时，只用 TSV 格式，等熟悉了再尝试 XML 和 GFF3。