interproscan安装及详细设置

详细的安装及配置步骤请参见iprscan的文档Installing_InterProScan.txt

1.在安装iprscan之前，你的linux系统需要如下基本组件：

PERL，这个常见的linux发行版都已经有了。

光有perl不够，你得有iprscan依赖的一些perl模块：
   * CGI
   * DB_File.pm - the interface to Berkeley DB
   * English
   * File::Basename
   * File::Copy
   * File::Path
   * File::Spec::Functions
   * FileHandle
   * IO::Scalar
   * IO::String
   * Mail::Send
   * Sys::Hostname
   * URI::Escape
   * XML::Parser.pm - libexpat (1.95.5 or newer) which is needed for the new
                                         implementation of BlastProDom and to parse xml outputs.
   * XML::Quote

安装这些perl模块很简单，我都是用CPAN直接装的，有些模块CPAN装不了(test过不了，冲突等等），手动安装，并把模块放到系统路径中。

2.各类模块装好后，下载iprscan的源码或可执行程序与及相关数据库
下载链接：ftp://ftp.ebi.ac.uk/pub/databases/interpro/iprscan
需要下载的文件及路径：
  * RELEASE/latest/iprscan_v4.8.tar.gz   - InterProScan itself
  * BIN/4.x/iprscan_bin4.x_[PLATFORM].tar.gz - Binaries for the various platforms
  * DATA/iprscan_DATA_[LATESTDATAVERSION].tar.gz - databases used by InterProScan (except Panther)
  * DATA/iprscan_PTHR_DATA_[LATESTDATAVERSION].tar.gz - panther database and indexes
  * DATA/iprscan_MATCH_DATA_[LATESTDATAVERSION].tar.gz - match_complete.xml and interpro.xml files

3.解压缩各类文件
将以上各个压缩包拷到你要安装iprscan的目录下，解压缩各个文件
gunzip -c iprscan_DATA_[LATEST_VERSION].tar.gz | tar -xvf -
gunzip -c iprscan_PTHR_DATA_[LATESTDATAVERSION].tar.gz | tar -xvf -
gunzip -c iprscan_MATCH_DATA_[LATESTDATAVERSION].tar.gz | tar -xvf -
gunzip -c iprscan_bin4.x_[PLATFORM].tar.gz | tar -xvf -
gunzip -c iprscan_v4.8.tar.gz | tar -xvf -

解压缩后，当前目录下的结构：
./iprscan/
               |-bin     = 可执行程序位置
               |   `-binaries/
               |-conf   = 配置文件
               |-data   = 数据库文件
               |-docs   = 文档
               |-image = 图片
               |-lib     = 一些iprscan依赖的perl模块
               `-tmp     = 运行中间目录

到这里，interproscan就算安装完了，很简单，但是安装完了不代表就可以直接使用了，麻烦的是后面的配置。

3.配置iprscan
其实配置也没有那么困难，在iprscan目录下有个config.pl脚本，直接用它就可以进行配置了。
3.1
运行perl Config.pl
在运行过程中会跳出很多选项，按照自己系统的情况选择就行了。
3.2
Reconfigure everything (first time install)? (y|n)
如果你之前已经安装配置过iprscan，现在需要调整一些配置，就选n,如果是刚装了iprscan，就选y
Do you want to set paths? (y|n):
Enter the full path for the InterProScan installation?:
以上是告知你的iprscan所在的位置，可选可不选
Do you want to set another one Perl command in place of [default_PERL]?
一般来说是否，perl嘛除非你机器上有好几个perl版本
3.3
Setup chunk size? (y|n)
Enter chunk size (default 10):
这个设置比较重要，如果你的系统是多线程多CPU的，你可以选择y,单线程的就没必要了。
选择yes之后，你需要设置chunk的大小，所谓chunk，就是把你的fasta文件分割成很多个小文件，这个数值10表示你希望每一个fasta文件内只包含10条序列。假设你有100条蛋白需要扫描，设置为10，就会把你的原始fasta文件分割为10个，每个文件会单独被提交给iprscan进行扫描，假设你有16个CPU，这时10个文件就能同时被提交给系统进行扫描，速度加快了很多。
但是，在基因组层级的注释中，往往是几万个蛋白序列，这个初始值10就太小了，因为你的文件将会被分割成好几千的小块。就算是16CPU的系统，速度也是很慢的，因为分割成小块单独扫描的结果最后还是要合并在一起。
我的超算有900个CPU，不过资源比较紧张，经常只有200个左右CPU能抢到，所以我一般设了200，一个4万个蛋白的文件就分割成200个。
如果是小机器，双核4线程之类，这个值设的越高越好，除非你的数据非常少。

3.4 下面一堆设置无关紧要，除非有特殊需求
Do you want to configure it? (y|n)
Enter the maximum of input protein sequences (default = 1000):
我一般设成1000000，要不然超算的优势就没了。
Enter the maximum of input nucleic sequences (default = 100):
我一般设成50，我觉得15~20个氨基酸的短domain还是有不少的
Enter the maximum length (nucleic acids) for a nucleotide sequence (default = 10000):
Enter the minimum length (amino acids) for a protein sequence (default = 5):
Enter the minimum length for the length of a translated orf (default = 50):
Enter the default codon table value to use to translate dna/rna in six frames (default = 0):

下面的设置主要跟超算有关
Do you want to setup applications (if you don't, no applications will be included in InterProScan by default)?(y/n)
Do you wish to use a queue system? (y|n) 你有超算就yes
Do you want to use sge6/lsf42/pbs (y|n) 超算队列管理系统，我的是lsf
Do you want to set a global cluster name for all applications? (Default = 'n') (y|n): 我们超算没啥特殊名字，no
Do you want to set a global queue name for all applications? (Default = 'n') (y|n): 超算的队列名
Is all this information correct? (y|n) yes

3.5 最后一步，设置你需要使用的数据库
基本上跟上面一样，就是各类数据库你要用还是不用的问题了。

3.6 后面的步骤不需要说了，设置完成后，config.pl会帮你完成所有的配置过程，还是需要一段时间的。

昨天虽然run了iprscan，但是还是存在问题-里面的profilescan模块一直是运行错误的，检查了log文件后发现这个模块需要libg2c.so文件，libg2c.so是GCC 4版本以前的fotran编译器需要使用的一个库，现在很多新的linux发行版本都不带这个库了。这样，我只能再装一个GCC 3.4, 编译好后把它的lib放到LD_LIBRARY_PATH系统变量中，这个问题就解决了。