蛋白互作网络分析STRING¶

# STRING官网地址（2025版，v12.0）
# https://string-db.org/
# 支持 > 14000个物种，覆盖 ~6000万个蛋白

1. Protein by name — 输入单个蛋白名（如 TP53）
2. Multiple Proteins — 输入一批基因名（差异基因列表）
3. Protein by Sequence — 用蛋白序列查询（非模式生物常用）

步骤1：打开 https://string-db.org/
步骤2：选择 "Multiple Proteins"
步骤3：粘贴差异基因列表（每行一个基因名）
步骤4：选择物种（Organism），如 Homo sapiens
步骤5：点击 "SEARCH"
步骤6：确认基因匹配结果，点击 "Continue"
步骤7：在结果页面调整参数：
        - minimum required interaction score: 0.400（中等置信）
        - 推荐用 0.700（高置信）或 0.900（最高置信）
步骤8：点击 "Exports" 下载 TSV 格式网络文件

# 下载地址：https://cytoscape.org/download.html
# 支持 Windows / macOS / Linux
# 需要 Java 11+

# Linux安装示例
wget https://github.com/cytoscape/cytoscape/releases/download/3.10.3/Cytoscape_3_10_3_unix.sh  # 下载安装脚本
chmod +x Cytoscape_3_10_3_unix.sh  # 添加执行权限
./Cytoscape_3_10_3_unix.sh  # 运行安装

在Cytoscape中：
Apps → App Store → 搜索并安装以下插件：

1. stringApp（2.0+）    — 直接在Cytoscape里查STRING
2. CytoHubba           — 自动识别hub基因
3. clusterMaker2       — 网络聚类（找模块）
4. MCODE               — 另一个聚类插件
5. BiNGO               — 模块功能富集分析

步骤1：File → Import → Network from Public Databases
步骤2：Data Source 选择 "STRING: protein query"
步骤3：输入基因列表，选择物种
步骤4：设置置信分数阈值（建议0.7）
步骤5：点击 "Import" 导入网络

步骤1：在STRING网页导出 TSV 文件
步骤2：File → Import → Network from File
步骤3：选择下载的TSV文件
步骤4：设置列映射：
        - Source Node → node1
        - Target Node → node2
        - Edge Attribute → combined_score
步骤5：点击 OK 导入

步骤1：Layout → 选择布局算法
        - "Prefuse Force Directed" — 最常用，力导向布局
        - "Organic" — yFiles插件提供，更美观
步骤2：Style面板 → 调整节点大小/颜色
        - Node Size → 映射到 Degree（度越大节点越大）
        - Node Color → 映射到表达量或模块
        - Edge Width → 映射到 combined_score
步骤3：右键节点 → 显示标签（基因名）

步骤1：Tools → Analyze Network
步骤2：选择 "Treat network as undirected"（无向网络）
步骤3：查看结果面板中的关键指标：
        - Number of nodes（节点数）
        - Number of edges（边数）
        - Network density（网络密度）
        - Clustering coefficient（聚类系数）
        - Network heterogeneity（网络异质性）

步骤1：Apps → CytoHubba → 选择排名方法
步骤2：常用排名方法：
        - Degree        — 连接数最多
        - Betweenness   — 桥梁作用最大
        - Closeness     — 到其他节点距离最短
        - MCC           — 最大团中心性（推荐）
        - DMNC          — 最大邻域组件密度
步骤3：选择 Top N（通常取 Top 10 或 Top 20）
步骤4：结果会用红→橙→黄渐变色显示排名

步骤1：Apps → MCODE → 设置参数
        - Degree Cutoff: 2（默认）
        - Node Score Cutoff: 0.2（默认）
        - K-Core: 2（默认）
        - Max Depth: 100（默认）
步骤2：点击 "Find Clusters"
步骤3：每个cluster就是一个功能模块
步骤4：对每个模块做GO/KEGG富集分析

# 安装STRINGdb包
if (!require("BiocManager")) install.packages("BiocManager")  # 安装BiocManager
BiocManager::install("STRINGdb")  # 安装STRINGdb

library(STRINGdb)  # 加载包

# 初始化STRING对象（人类，版本12.0，置信0.7）
string_db <- STRINGdb$new(
  version = "12.0",       # STRING版本号
  species = 9606,          # 物种NCBI Taxonomy ID（9606=人类）
  score_threshold = 700,   # 置信分数阈值（0-1000）
  network_type = "full"    # 网络类型：full=所有证据，physical=仅物理互作
)

# 准备差异基因数据
deg_data <- data.frame(
  gene = c("TP53", "BRCA1", "EGFR", "MYC", "CDK2"),  # 基因名列表
  logFC = c(2.5, -1.8, 3.2, 1.5, -0.9),               # log2倍数变化
  pvalue = c(0.001, 0.005, 0.0001, 0.01, 0.03)         # p值
)

# 基因名映射到STRING ID
mapped <- string_db$map(deg_data, "gene", removeUnmappedRows = TRUE)  # 映射基因

# 获取PPI网络
string_db$plot_network(mapped$STRING_id)  # 绘制网络图

# 获取互作数据
interactions <- string_db$get_interactions(mapped$STRING_id)  # 下载互作关系
head(interactions)  # 查看前几行

# 富集分析
enrichment <- string_db$get_enrichment(mapped$STRING_id)  # 功能富集
head(enrichment)  # 查看结果

library(igraph)  # 加载igraph包

# 从互作数据构建网络
net <- graph_from_data_frame(
  interactions[, c("from", "to")],  # 选择源节点和目标节点列
  directed = FALSE                   # 无向网络
)

# 计算网络拓扑指标
degree_values <- degree(net)                    # 计算每个节点的度
betweenness_values <- betweenness(net)          # 计算介数中心性
closeness_values <- closeness(net)              # 计算接近中心性
eigenvector_values <- eigen_centrality(net)$vector  # 特征向量中心性

# 找Top10 hub基因（按度排名）
hub_genes <- sort(degree_values, decreasing = TRUE)[1:10]  # 取度最高的10个
print(hub_genes)  # 打印hub基因

# 社区检测（模块划分）
communities <- cluster_louvain(net)  # Louvain算法聚类
modularity(communities)              # 计算模块度
membership(communities)              # 查看每个节点的模块归属

# STRING网页操作
输入基因 → 选物种 → 设阈值 → 导出TSV

# Cytoscape核心操作
导入网络 → Layout布局 → Style美化 → Analyze Network → CytoHubba找hub

# R语言自动化
STRINGdb$new() → map() → get_interactions() → igraph分析

# 常用物种Taxonomy ID
人类: 9606 | 小鼠: 10090 | 大鼠: 10116 | 果蝇: 7227 | 拟南芥: 3702

# 发文章推荐参数
置信阈值: 0.700 | Hub基因: Top10 by MCC | 聚类: MCODE默认参数