轉(zhuǎn)錄組數(shù)據(jù)分析—PPI網(wǎng)絡(luò)構(gòu)建

在得到我們感興趣的基因集后渴庆,除了對其進(jìn)行GO等富集分析查看與什么重要的生物學(xué)通路相關(guān)拉庶,還可以進(jìn)行PPI蛋白互作網(wǎng)絡(luò)(PPI, Protein-Protein Interaction Networks)的構(gòu)建,查看這些基因之間的聯(lián)系锻离,進(jìn)而鎖定關(guān)鍵基因鼎文。
構(gòu)建PPI網(wǎng)絡(luò)一般需要使用string數(shù)據(jù)庫獲取蛋白互作信息以及進(jìn)行互作網(wǎng)絡(luò)的可視化纱兑。下面探究一下STRING數(shù)據(jù)庫的網(wǎng)頁和R語言版的使用:

STRING數(shù)據(jù)庫

官網(wǎng): STRING V11.5

R包:Bioconductor - STRINGdb

STRING是一個(gè)已知和預(yù)測的蛋白質(zhì)-蛋白質(zhì)相互作用的數(shù)據(jù)庫。 相互作用包括直接(物理)和間接(功能)聯(lián)系;它們源于計(jì)算預(yù)測精肃、文本關(guān)聯(lián)秤涩,以及其他(主要)數(shù)據(jù)庫總結(jié)的交互作用。STRING中的相互作用有五個(gè)主要來源:基因組預(yù)測司抱、高通量實(shí)驗(yàn)筐眷、(保守的)共表達(dá)實(shí)驗(yàn)、自動(dòng)化文本挖掘习柠、數(shù)據(jù)庫相關(guān)知識匀谣。STRING數(shù)據(jù)庫目前涵蓋了來自14'094個(gè)物種的67'592'464個(gè)蛋白質(zhì)。

STRING網(wǎng)頁版的簡單使用

登錄STRING網(wǎng)頁资溃。 在Mutiple proteins中將差異基因名(轉(zhuǎn)錄組數(shù)據(jù)分析—DEseq2差異分析 - 簡書 (jianshu.com)粘貼在第一個(gè)框中武翎,再選擇物種organism為Homo sapiens。

點(diǎn)擊SEARCH溶锭,會(huì)進(jìn)行匹配string中對應(yīng)的蛋白宝恶,大致預(yù)覽一下確認(rèn)正確后,點(diǎn)擊CONTINUE即可得PPI圖像

出現(xiàn)這種提示不要緊趴捅,是因?yàn)槲覀兩蟼鞯幕蛱嗔说姹校c(diǎn)擊CONTINUE即可

在分析界面的Vierws選項(xiàng)下可以選擇多種展現(xiàn)方式,Legend選項(xiàng)下展現(xiàn)圖像各標(biāo)記的含義拱绑;

Settings選項(xiàng)下有多項(xiàng)參數(shù)可以選擇露久,例如minimum required interaction score可以調(diào)節(jié)可信度(默認(rèn)為0.400),選擇完成后點(diǎn)擊UPDATE即可更新圖像欺栗。

Analysis選項(xiàng)下有PPI網(wǎng)絡(luò)的相關(guān)節(jié)點(diǎn)信息與GO毫痕、KEGG等富集分析結(jié)果

Cluster選項(xiàng)下還可以對PPI網(wǎng)絡(luò)進(jìn)行分簇征峦,選擇分簇方法(如:kmeans clustering)和分簇?cái)?shù)量(如:4)后點(diǎn)擊APPLY即可,不同分簇會(huì)用不同顏色標(biāo)注出來

Export選項(xiàng)下進(jìn)行數(shù)據(jù)導(dǎo)出消请,一般選擇下載高分辨率的PNG圖片與蛋白互作關(guān)系TSV文件(下圖畫紅框)栏笆,TSV文件用于后續(xù)在Cytoscape中進(jìn)一步可視化PPI網(wǎng)絡(luò)

STRING的R語言版——STRINGdb的使用

STRINGdb說明書:STRINGdb.pdf (bioconductor.org)或使用命令vignette("STRINGdb")在本地查看說明書。查看STRINGdb的函數(shù)幫助文檔比較特殊臊泰,要用STRINGdb$help("get_graph")的形式蛉加。 使用STRINGdb時(shí),參數(shù)species代表NCBI Taxonomy物種編碼缸逃,可在此查詢:https://cn.string-db.org/cgi/input.pl?input_page_active_form=organisms针饥,其中人為9606,小鼠為10090需频,大鼠為10116 丁眼。

繪制PPI網(wǎng)絡(luò)

上代碼!

library(tidyverse)
library(STRINGdb)                                                 
library(igraph)

data <- read.table("diff_gene_deseq2_FDR.xls",header=T,sep = "\t")
test<-data[1:100,]

######################### 選擇STRINGdb類型 #########################
string_db <- STRINGdb$new( version="11.5", #數(shù)據(jù)庫版本昭殉。截止2022.5.24最新為11.5
                           species=9606,   #人9606苞七,小鼠10090 
                           score_threshold=700, #蛋白互作的得分 默認(rèn)400, 低150,高700挪丢,極高900
                           input_directory="") #可自己導(dǎo)入數(shù)據(jù)

######################### 獲取基因名對應(yīng)的STRING_id用于繪制string_PPI #########################
dat_map <- string_db$map(my_data_frame=test, 
                         my_data_frame_id_col_names="gene_id", #使用gene symbol或ENTREZID都可
                         removeUnmappedRows = TRUE )
hits <- dat_map$STRING_id

######################### 繪制PPI網(wǎng)絡(luò) #########################
png("string_PPI.png",units="in",width = 10,height = 10, res=400)
string_db$plot_network(hits)
dev.off()

還可以注釋一下基因的上下調(diào)信息

dat_map_color <- string_db$add_diff_exp_color(subset(dat_map, pvalue<0.01),
                                              logFcColStr="log2FoldChange" )
payload_id <- string_db$post_payload(dat_map_color$STRING_id,
                                     colors=dat_map_color$color)
png("string_PPI_halo.png",units="in",width = 10,height = 10, res=400)
string_db$plot_network(hits, payload_id=payload_id )
dev.off()

STRINGdb還能調(diào)用iGraph進(jìn)行PPI的clustering分簇

clustersList <- string_db$get_clusters(string_ids = hits ,
                                       algorithm  = "fastgreedy" ) 
# plot first 6 clusters.
png("string_PPI_iGraph_cluster.png",units="in",width = 15,height = 10,res=400)
par(mfrow=c(2,3))
for(i in 1:6){
  string_db$plot_network(clustersList[[i]])
}
dev.off()
###可供選擇的聚類算法"fastgreedy", "walktrap", "spinglass", "edge.betweenness"</pre>

除了以上功能蹂风,STRINGdb還能對基因集進(jìn)行富集分析,參數(shù)category指定要使用的數(shù)據(jù)庫(默認(rèn)為All)乾蓬,其中Process, Component, Function分別對應(yīng)GO的BP,CC,MF三個(gè)子集

enrichment <- string_db$get_enrichment(string_ids = hits,
                                       category   = "Process" ) 
write.csv(enrichment,"enrichment_GO_BP.csv")</pre>

最后惠啄,可使用get_interactions獲取蛋白互作信息,再轉(zhuǎn)換stringID為 gene symbol任内,去除重復(fù)(每個(gè)相互作用會(huì)出現(xiàn)兩次)撵渡,之后導(dǎo)出string_link.csv文件,可在Cytoscape中進(jìn)一步進(jìn)行多種可視化操作

dat_link <- string_db$get_interactions(hits)
# 轉(zhuǎn)換stringID為 gene symbol
dat_link$from <- dat_map[match(dat_link$from,dat_map$STRING_id),'gene_id']
dat_link$to <- dat_map[match(dat_link$to,dat_map$STRING_id),'gene_id']  
colnames(dat_link) <- c('node1','node2','combined_score')
# 去除重復(fù)
dat_link <- dat_link %>% distinct(node1, node2, .keep_all = T)

write.csv(dat_link,'string_link.csv',row.names = F,quote = F)
最后編輯于
?著作權(quán)歸作者所有,轉(zhuǎn)載或內(nèi)容合作請聯(lián)系作者
  • 序言:七十年代末族奢,一起剝皮案震驚了整個(gè)濱河市姥闭,隨后出現(xiàn)的幾起案子,更是在濱河造成了極大的恐慌越走,老刑警劉巖棚品,帶你破解...
    沈念sama閱讀 216,372評論 6 498
  • 序言:濱河連續(xù)發(fā)生了三起死亡事件,死亡現(xiàn)場離奇詭異廊敌,居然都是意外死亡铜跑,警方通過查閱死者的電腦和手機(jī),發(fā)現(xiàn)死者居然都...
    沈念sama閱讀 92,368評論 3 392
  • 文/潘曉璐 我一進(jìn)店門骡澈,熙熙樓的掌柜王于貴愁眉苦臉地迎上來锅纺,“玉大人,你說我怎么就攤上這事肋殴《陲保” “怎么了坦弟?”我有些...
    開封第一講書人閱讀 162,415評論 0 353
  • 文/不壞的土叔 我叫張陵,是天一觀的道長官地。 經(jīng)常有香客問我酿傍,道長,這世上最難降的妖魔是什么驱入? 我笑而不...
    開封第一講書人閱讀 58,157評論 1 292
  • 正文 為了忘掉前任赤炒,我火速辦了婚禮,結(jié)果婚禮上亏较,老公的妹妹穿的比我還像新娘莺褒。我一直安慰自己,他們只是感情好雪情,可當(dāng)我...
    茶點(diǎn)故事閱讀 67,171評論 6 388
  • 文/花漫 我一把揭開白布遵岩。 她就那樣靜靜地躺著,像睡著了一般旺罢。 火紅的嫁衣襯著肌膚如雪旷余。 梳的紋絲不亂的頭發(fā)上绢记,一...
    開封第一講書人閱讀 51,125評論 1 297
  • 那天扁达,我揣著相機(jī)與錄音,去河邊找鬼蠢熄。 笑死跪解,一個(gè)胖子當(dāng)著我的面吹牛,可吹牛的內(nèi)容都是我干的签孔。 我是一名探鬼主播叉讥,決...
    沈念sama閱讀 40,028評論 3 417
  • 文/蒼蘭香墨 我猛地睜開眼,長吁一口氣:“原來是場噩夢啊……” “哼饥追!你這毒婦竟也來了图仓?” 一聲冷哼從身側(cè)響起,我...
    開封第一講書人閱讀 38,887評論 0 274
  • 序言:老撾萬榮一對情侶失蹤但绕,失蹤者是張志新(化名)和其女友劉穎救崔,沒想到半個(gè)月后,有當(dāng)?shù)厝嗽跇淞掷锇l(fā)現(xiàn)了一具尸體捏顺,經(jīng)...
    沈念sama閱讀 45,310評論 1 310
  • 正文 獨(dú)居荒郊野嶺守林人離奇死亡六孵,尸身上長有42處帶血的膿包…… 初始之章·張勛 以下內(nèi)容為張勛視角 年9月15日...
    茶點(diǎn)故事閱讀 37,533評論 2 332
  • 正文 我和宋清朗相戀三年,在試婚紗的時(shí)候發(fā)現(xiàn)自己被綠了幅骄。 大學(xué)時(shí)的朋友給我發(fā)了我未婚夫和他白月光在一起吃飯的照片劫窒。...
    茶點(diǎn)故事閱讀 39,690評論 1 348
  • 序言:一個(gè)原本活蹦亂跳的男人離奇死亡,死狀恐怖拆座,靈堂內(nèi)的尸體忽然破棺而出主巍,到底是詐尸還是另有隱情冠息,我是刑警寧澤,帶...
    沈念sama閱讀 35,411評論 5 343
  • 正文 年R本政府宣布孕索,位于F島的核電站铐达,受9級特大地震影響,放射性物質(zhì)發(fā)生泄漏。R本人自食惡果不足惜吁峻,卻給世界環(huán)境...
    茶點(diǎn)故事閱讀 41,004評論 3 325
  • 文/蒙蒙 一谜疤、第九天 我趴在偏房一處隱蔽的房頂上張望。 院中可真熱鬧杭抠,春花似錦、人聲如沸恳啥。這莊子的主人今日做“春日...
    開封第一講書人閱讀 31,659評論 0 22
  • 文/蒼蘭香墨 我抬頭看了看天上的太陽钝的。三九已至翁垂,卻和暖如春,著一層夾襖步出監(jiān)牢的瞬間硝桩,已是汗流浹背沿猜。 一陣腳步聲響...
    開封第一講書人閱讀 32,812評論 1 268
  • 我被黑心中介騙來泰國打工, 沒想到剛下飛機(jī)就差點(diǎn)兒被人妖公主榨干…… 1. 我叫王不留碗脊,地道東北人啼肩。 一個(gè)月前我還...
    沈念sama閱讀 47,693評論 2 368
  • 正文 我出身青樓,卻偏偏與公主長得像衙伶,于是被迫代替她去往敵國和親祈坠。 傳聞我的和親對象是個(gè)殘疾皇子,可洞房花燭夜當(dāng)晚...
    茶點(diǎn)故事閱讀 44,577評論 2 353

推薦閱讀更多精彩內(nèi)容