知识分享 | 转录组蛋白互作网络实战(4)——STRING数据库与可视化进阶

1. 从基因列表到蛋白互作网络：STRING数据库实战入门

当你拿到一份长长的差异表达基因列表，看着几十上百个基因名，是不是感觉有点无从下手？别担心，这几乎是每个做转录组分析的朋友都会遇到的“甜蜜的烦恼”。基因不是孤立工作的，它们编码的蛋白质就像社会中的个体，通过复杂的“社交网络”相互联系、协作，共同完成生命活动。蛋白质-蛋白质相互作用（PPI）分析，就是帮你解开这个社交网络图谱的关键钥匙。

我刚开始做数据分析的时候，也对着基因列表发过愁。直到学会了用STRING数据库，整个分析思路才豁然开朗。简单来说，STRING是一个收录了海量已知和预测的蛋白质互作信息的公共数据库。它就像一个全球蛋白质的“社交关系档案库”，你只需要把感兴趣的基因（或它们对应的蛋白质）名单给它，它就能告诉你：这些蛋白质之间谁和谁认识（有相互作用），以及它们关系的“铁不铁”（互作的可信度得分）。这对于从系统层面理解你的差异基因集在干什么、哪些是处于调控核心的“关键先生”，有着不可替代的作用。

在实际项目中，我通常会在完成差异表达分析、功能富集分析（GO、KEGG）之后，紧接着进行PPI网络分析。这能帮你从一堆看似散乱的基因中，拎出那些处于网络枢纽位置的核心基因，这些基因往往是后续实验验证（比如敲除、过表达）的优先候选。而且，一个直观、美观的网络图放在文章里，也是提升图表质量和故事逻辑性的利器。下面，我就手把手带你走一遍完整的流程，从数据准备、数据库查询到高级可视化，我会把每个步骤的细节和踩过的坑都分享出来，保证你能用自己的数据复现出来。

2. STRING数据库深度解析与数据准备

2.1 理解STRING数据库的核心参数

STRING用起来不难，但要想用好，得先明白它背后的几个关键参数，这直接决定了你构建的网络的质量和可信度。首先是最重要的 score_threshold，也就是互作得分阈值。STRING会给每一对互作关系一个综合评分（combined score），这个分数综合了实验证据、数据库记录、文本挖掘和计算预测等多种来源的可信度。分数范围是0到1000，分数越高，互作关系越可靠。

在创建STRINGdb对象时，你需要设定这个阈值。原始文章里用了默认的400，这是一个比较宽松的起点。在我的经验里，如果你分析的基因数量不多（比如小于50），想看到一个更紧密、更核心的网络，可以把阈值调到700甚至更高，这样留下的都是高置信度的互作关系，网络会更简洁，核心节点更突出。反之，如果你的基因集很大，或者你是在做探索性分析，不想错过任何潜在联系，可以暂时用400或更低的值先跑一遍看看全景。记住，这个阈值后续可以随时调整并重新筛选，非常灵活。

另一个关键参数是 species，即物种ID。人类是9606，小鼠是10090。这个一定要核对清楚，不然映射会失败。STRING支持非常多物种，如果不确定，可以去STRING官网查询。对于数据库没有直接收录的物种（比如一些非模式动植物），也别慌。STRING提供了基于同源性的预测功能。你可以通过BLAST比对，找到你的目标基因在模式生物（如人类、小鼠）中的同源基因，然后利用同源基因的互作关系来间接构建网络。虽然这是预测性的，但对于缺乏直接数据的研究领域，这依然是极其宝贵的线索。

2.2 准备你的基因列表并完成ID映射

数据分析的第一步总是数据准备。你的基因列表很可能是一系列基因符号（Gene Symbol），比如“TP53”、“EGFR”。但STRING数据库内部主要使用它自己的STRING ID或者常见的标准ID（如Entrez ID）来进行精确匹配。因此，我们需要将基因符号转换为STRING认可的ID。

这里我用一个实际的例子来演示。假设我手头有一个名为my_genes的向量，里面装着一些基因符号。我们首先用clusterProfiler包的bitr函数进行ID转换。这一步非常关键，因为基因别名、旧版符号等问题可能导致映射失败。

# 加载必要的R包
library(tidyverse)
library(clusterProfiler)
library(org.Hs.eg.db) # 如果是小鼠，则用 org.Mm.eg.db
library(STRINGdb)
library(igraph)
library(ggraph)

# 假设这是你的差异基因列表（基因符号）
my_genes <- c("TP53", "BRCA1", "EGFR", "AKT1", "MYC", "CDKN1A", "MDM2", "PTEN")

# 将Gene Symbol转换为Entrez ID
gene_df <- data.frame(SYMBOL = my_genes)
mapped_genes <- bit