software

InterProScan 6 实跑,64 行结构域结果为什么不能算成 64 个功能

作者:发布于 2026-11-17约 11 分钟阅读
64 行结果,不等于 64 个功能。四条输入,拆开位置、代表标记与功能关联。01,相同序列,多份输入标识,JSON 合并序列,TSV 展开标识。02,代表标记不会删除命中,跳过选择后仍有 64 行,标记全部为假。03,通路关联需要重新审查,675 个引用不代表 675 条通路被激活。

蛋白功能注释表中经常同时出现成员数据库编号、InterPro 编号、重复结构域位置、功能本体术语和通路链接。它们看起来都像“注释”,却不是同一种证据。如果直接统计表格行数,或者把每一个通路链接都写成蛋白参与的过程,最终报告很容易比原始结果多说许多话。

这篇文章实际安装并运行 InterProScan 6.0.3.0,固定 InterPro 111.0,选择 Pfam 39.0 和 PROSITE profiles 2026_01。输入只有四条记录,最终联合结果有六十四行。我们用完全相同序列的不同标识、截短序列和随机序列检查这些行是怎样产生的,再用对照运行区分结构域匹配、代表位置和功能转移。它是一套读表练习,没有覆盖全部成员数据库。

64 行结果,不等于 64 个功能。四条输入,拆开位置、代表标记与功能关联。01,相同序列,多份输入标识,JSON 合并序列,TSV 展开标识。02,代表标记不会删除命中,跳过选择后仍有 64 行,标记全部为假。03,通路关联需要重新审查,675 个引用不代表 675 条通路被激活。
四条输入,拆开位置、代表标记与功能关联

先把三个层级分开

第一层是某个成员数据库的模型或特征与输入蛋白匹配。它回答“这个区域像哪类已定义特征”,并给出坐标及相应评分。第二层是成员特征与 InterPro 条目之间的整合关系。多个成员数据库可能识别同一类区域,因此不同模型的命中可以映射到同一个条目。第三层是通过这些条目关联到的功能本体或通路信息。

这三个层级之间有联系,却不能逐行相加。一个蛋白里的重复结构域会产生多处位置,同一区域也可能得到不同成员库的支持。未整合到 InterPro 的成员特征仍然可以有匹配结果,因此整合编号为空不等于整行无效。相反,存在一个整合编号,也不能证明该蛋白在当前样本中正在执行对应功能。

整理结果前,建议明确统计单位。可以统计有任一命中的输入标识数、不同序列数、成员特征数、位置数或整合条目数,但这些数字应分别命名。一个笼统的“注释数量”无法让读者判断它究竟反映蛋白覆盖,还是重复区域和数据库重叠。

本次怎样安装并确保真的执行扫描

运行环境使用 Java 21.0.13、Nextflow 25.10.4 和 Docker,工作流固定到官方发布标签。使用这一版 Nextflow 时,工作流的类型化参数块需要启用严格语法解析器。本次最初的解析错误通过设置相应环境变量解决,依据是 Nextflow 25.10 的迁移说明。

export NXF_SYNTAX_PARSER=v2

nextflow run ebi-pf-team/interproscan6 -r 6.0.3.0 \
  -profile docker \
  --input input.fa --datadir ./data --interpro 111.0 \
  --applications Pfam,PROSITE-profiles \
  --no-matches-api --goterms --pathways \
  --formats tsv,json,gff3 --outdir ./combined \
  --outprefix result --cpus 1 --max-workers 2

本次显式关闭了预计算结果接口,让输入实际经过本地扫描。官方的 Matches API 说明指出,默认流程可以复用已有序列的预计算匹配。因此,仅看到结果很快生成,不能据此认定本机完整执行了所有搜索。检查实跑时,应同时保存工作流日志、任务记录和是否启用该接口的信息。

另一个实际安装问题来自源码压缩包。解压方式没有恢复上游脚本的可执行位,导致扫描已经完成,却在添加交叉引用时报告权限错误。我们对照官方仓库记录恢复对应文件权限后续跑,没有改动分析算法。复现时使用保留文件权限的源码获取方式,能够减少这种与输入数据无关的失败。

实跑脚本与完整结果包含五次调用的命令和日志,其中四次成功,一次是下面会解释的参数组合失败。数据库下载时间、首次扫描和后续缓存复用不能混在一起作为速度对比。此次记录用于核对流程与输出,不作为大型蛋白组的性能评测。

四条输入,为什么 JSON 只有三个序列对象

第一条输入来自官方测试文件中的小鼠 JAG1 蛋白,共一千二百一十八个氨基酸。第二条与它的序列完全相同,只换了标识。第三条截取前面三百五十个氨基酸,第四条是固定随机种子生成的四百位随机序列。截短和随机记录是人工对照,不能当成真实样本或实验阴性。

联合扫描的 JSON 中只有三个序列对象。完整蛋白和它的别名共用一个对象,两个输入标识保存在引用列表里。随机序列对象也存在,只是匹配列表为空。与此不同,制表符结果展开了输入标识,完整蛋白和别名各有二十八行,截短片段有八行,随机对照没有数据行,总计六十四行。

输入 长度 表格行数 特征数 代表位置
完整蛋白 1218 28 9 19
同序列别名 1218 28 9 19
截短片段 350 8 6 5
随机对照 400 0 0 0

表中同序列别名与完整蛋白共用一个序列对象,相应特征和代表位置不能当成两份独立证据相加。

这意味着两类常见计数都会出错。只数 JSON 对象,会漏掉相同序列的多个输入标识。只数结果表中出现过的标识,则会漏掉无匹配输入。合理的完成率统计,应以输入标识清单为起点,再把输出映射回去,并单独保留“执行成功但无匹配”的状态。

后续若要汇总基因或样本层面的结果,还需要决定相同蛋白序列是否允许分别计数。两个标识可能代表不同基因,也可能只是重复导入。序列相同本身不能替我们判断数据来源,必须结合原始标识映射和研究设计处理。

多个模型和多个位置,不能合并成一列“功能数”

在完整蛋白的联合结果中,二十八处位置来自九个不同成员特征。仅运行 Pfam 时,完整蛋白有十二行,片段有五行,全表从六十四行变成二十九行。增加 PROSITE profiles 后,更多位置被描述出来,但这不能直接写成新增了三十五种功能。

例如,同一类区域可以由 Pfam 和 PROSITE profiles 分别给出坐标,两者边界并不需要完全一致。完整蛋白中,两个库识别的 DSL 区域分别位于一百八十七到二百三十二,以及一百八十五到二百二十九。边界差几位并不自动说明其中一个错误,因为成员模型与识别方法不同,应结合区域整体和其他证据解释。

对于重复区域,同一个特征编号也能出现多次。本例中重复出现的 EGF 相关模型就是如此。如果把特征编号先去重,再画蛋白结构域架构,会把不同位置的重复压成一份。反过来,如果按每一行计数,又会把不同数据库对同一范围的识别重复计算。合理做法是保留“输入标识、成员数据库、特征编号、起点、终点”的完整关系,再按具体用途生成简化视图。

同样需要注意第九列的数值。本次 Pfam 的一行是很小的期望值,而 PROSITE profiles 的对应行给出十六点八六左右的评分,两者不能放在同一列里按数值大小竞争。读表程序可以把原始值保留为文本,并增加数据库来源和评分类型,避免在汇总时强行统一成一个“显著性分数”。输出格式参考。

代表标记是展示选择,不是重新筛掉命中

联合结果中,完整蛋白的二十八处位置有十九处被标为代表,片段的八处有五处被标为代表。这个标记用于简化结构域架构的展示,降低重叠信息的冗余。没有被选中,不等于该匹配被判为假阳性,也不意味着它可以从原始证据中删除。

我们又运行了不输出功能本体和通路关联的联合对照,然后只增加跳过代表选择的参数。两次制表符结果完全相同,都是六十四行。JSON 中的位置也仍然存在,但代表标记全部变为假。这与官方对代表位置的说明一致,跳过选择不会删除匹配。

因此,想画简洁的结构域图,可以使用代表标记作为一个明确的显示规则,同时保留全部匹配供详细检查。想判断某个可疑区域是否存在,则应查看原始模型、坐标、序列完整性和评分,不能只问它是不是代表。若下游程序只读制表符文件,也不能假定它已经包含这一显示标记。

这一点还影响不同数据库组合之间的比较。仅运行 Pfam 时,本例所有匹配位置都被选作代表。加入另一个库后,代表选择发生变化,但部分原始匹配并没有消失。比较时应先对齐原始成员特征与位置,再查看代表子集,不能把代表数量变化直接解释成生物学差异。

一次真实失败,揭示参数组合也要做版本核对

本次尝试同时跳过代表位置选择,并输出功能本体和通路时,工作流直接退出,日志报告这两个设置互斥。错误信息中的参数名写成了 skip_intepro,并不等于我们主动要求跳过整合注释。

核对固定发布版本的主入口和初始化检查后,可以看到代表选择参数被传入一个名为该字段的检查位置。我们保留这个失败记录,没有把它改写成成功,也没有修改上游代码来完成对照。

为了单独验证代表标记的作用,后续比较使用两组都关闭功能转移的运行,只改变代表选择设置。这样才能把观察到的差异归因于代表标记,而不是同时变化的多个参数。对于真实项目,遇到类似问题应记录精确版本和完整命令,核对对应发布版源码或更新说明,再决定是否升级。不能因为网页文档描述了某个功能,就假定所有参数组合在当前安装版本中都已经验证可用。

通路字段很长,不代表蛋白参与了几百个过程

启用功能转移后,这组输入的结果包含三个不同功能本体编号,以及六百七十五个不同通路引用。通路列表还包含不同物种的条目。这是成员特征经整合条目关联得到的信息,不能写成“小鼠这条蛋白被实测参与六百七十五条通路”,更不能据此推断样本中的通路活性。

本例的一个 EGF 相关区域就带有很长的通路字段,多个重复区域又重复携带类似关联。直接按出现次数做通路频数,会把重复结构域和不同库的重叠识别共同放大。统计之前,至少要按蛋白与目标条目去重,并明确物种范围、映射来源和背景集合。即使完成这些处理,结果仍然是关联汇总,不会自动变成表达活性或实验验证。

截短片段也获得了部分与完整蛋白相同的功能关联,这并不奇怪,因为它保留了能够触发相关模型的区域。但片段缺失的后半部分没有被扫描出来,不能凭共有术语断言它具有完整蛋白的定位、相互作用和调控能力。解释时应把保留的区域和缺失的区域一起展示。

把结果交付做得容易复核

实际项目中,可以先输出一张以输入标识为单位的完成情况表,再输出保留全部位置的证据表,最后生成用于展示的结构域架构图。完成情况表要容纳无匹配记录,证据表要保留成员数据库与版本,展示图则明确是否使用代表子集。三者各有用途,不应互相替代。

如果要比较不同批次,软件版本、整合数据库版本和成员库版本都需要记录。本次固定工作流还不够,固定的数据版本同样重要。数据库新增模型、更新整合关系或改变术语关联,都可能让相同输入产生不同结果。遇到差异时,先复核这些边界,再讨论生物学原因。

InterProScan 的优点是把多种成员方法和整合注释放进同一个可追踪流程,便于从局部区域走向更完整的解释。它的使用成本在于数据库准备、版本配套和多层输出的理解。这次实跑最值得带走的经验,不是六十四这个数字,而是始终问清每一行描述的是谁、哪个位置、哪种证据,以及哪些结论尚未被这次计算支持。

当这套流程需要覆盖整批蛋白组并长期保留数据库版本与运行记录时,云生信的生物信息学分析服务器服务可以承接环境部署、批量注释和结果归档。

把知识用于当前任务

下一步可以直接开始分析

按研究目标查找在线工具、课程、计算资源或完整分析服务。

按目标找方案仍有疑问,联系客服 ↗