知识分享 | 转录组个性化分析(4)—

蛋白质-蛋白质相互作用（protein-protein interaction, PPI）是指两个或两个以上的蛋白质分子通过非共价键形成蛋白质复合体（protein complex）的过程。在进行数据挖掘的时候往往会得到很多的差异表达的基因，当你对着一堆基因毫无头绪时，此时PPI数据库对你的数据挖掘起了很大的助攻作用。

接下来，跟着小编一起来学习下PPI分析吧！文中附详细代码，小伙伴们可以使用自己项目数据，一步步复现下结果！

1 PPI分析的意义

系统分析大量蛋白在生物系统中的相互作用关系，对了解生物系统中蛋白质的工作原理，了解疾病等特殊生理状态下生物信号和能量物质代谢的反应机制，以及了解蛋白之间的功能联系都有重要意义。在生物医药领域有助于从系统的角度研究疾病分子机制、发现新药靶点等等。

接下来，小编具体讲解下基于STRING数据库，提取目标基因集的互作关系，构建蛋白互作关系，同时利用igraph和ggraph对互作网络进行可视化。对于数据库中未收录信息的物种，可以使用BLAST软件，将目的基因与数据库中的蛋白质进行序列比对，寻找同源蛋白，根据同源蛋白的互作关系对构建互作网络。构建完成的蛋白质互作网络大家也可尝试导入Cytoscape软件进行可视化。

2 创建STRINGdb对象

library(tidyverse)
library(clusterProfiler)
library(org.Hs.eg.db)  小鼠的话，把Hs改成Mm
library(STRINGdb)
library(igraph)
library(ggraph)
# 创建STRINGdb对象
string_db <- STRINGdb$new( version="11", species=9606, score_threshold=400, input_directory="")#score_threshold是蛋白互作的得分，此值会用于筛选互作结果，400是默认分值，如果要求严格可以调高此值。

3 构建基因列表


#clusterProfiler将Gene Symbol转换为Entrez ID，构建基因列表，可以自己定义值，也可以导入表格，需要表头
gene <- gene %>% bitr(fromType = "SYMBOL", toType = "ENTREZID", OrgDb = "org.Hs.eg.db", drop = T)

4 使用map函数将基因匹配到STRING数据库的ID

data_mapped <- gene %>% string_db$map(my_data_frame_id_col_names = "ENTREZID", removeUnmappedRows = TRUE)
string_db$plot_network( data_mapped$STRING_id )

5 get_interactions获取蛋白互作信息，以用于后续可视化

hit<-data_mapped$STRING_id
info <- string_db$get_interactions(hit)
#info包含了蛋白互作的信息，比较重要的是前两列和最后一列：from、to、combined_score，前两列指定了蛋白互作关系的基因对，最后一列是此蛋白互作关系的得分，info数据将用于后续分析。

6 igraph和ggraph可视化蛋白互作网络图

# 转换stringID为Symbol，只取前两列和最后一列
links <- info %>%mutate(from = data_mapped[match(from, data_mapped$STRING_id), "SYMBOL"]) %>% mutate(to = data_mapped[match(to, data_mapped$STRING_id), "SYMBOL"]) %>%  dplyr::select(from, to , last_col()) %>% dplyr::rename(weight = combined_score)
# 节点数据
nodes <- links %>% { data.frame(gene = c(.$from, .$to)) } %>% distinct()
# 创建网络图
# 根据links和nodes创建
net <- igraph::graph_from_data_frame(d=links,vertices=nodes,directed = F)
# 添加一些参数信息用于后续绘图
# V和E是igraph包的函数，分别用于修改网络图的节点（nodes）和连线(links)
igraph::V(net)$deg <- igraph::degree(net) # 每个节点连接的节点数
igraph::V(net)$size <- igraph::degree(net)/5 #
igraph::E(net)$width <- igraph::E(net)$weight/10# 使用ggraph绘图
# ggraph是基于ggplot2的包，语法和常规ggplot2类似
ggraph(net,layout = "kk")+geom_edge_fan(aes(edge_width=width), color = "lightblue", show.legend = F)+geom_node_point(aes(size=size), color="orange", alpha=0.7)+geom_node_text(aes(filter=deg>5, label=name), size = 5, repel = T)+scale_edge_width(range = c(0.2,1))+scale_size_continuous(range = c(1,10) )+guides(size=F)+theme_graph()#stress布局作图ggraph(net,layout = "stress")+ #不同的地方geom_edge_fan(aes(edge_width=width), color = "lightblue", show.legend = F)+geom_node_point(aes(size=size), color="orange", alpha=0.7)+geom_node_text(aes(filter=deg>5, label=name), size = 5, repel = T)+scale_edge_width(range = c(0.2,1))+scale_size_continuous(range = c(1,10) )+guides(size=F)+theme_graph()  #环形布局    ggraph(net,layout = "linear", circular = TRUE)+geom_edge_fan(aes(edge_width=width), color = "lightblue", show.legend = F)+geom_node_point(aes(size=size), color="orange", alpha=0.7)+geom_node_text(aes(filter=deg>5, label=name), size = 5, repel = F)+scale_edge_width(range = c(0.2,1))+scale_size_continuous(range = c(1,10) )+guides(size=F)+theme_graph()# 去除游离的互作关系：其和主网络并不相连，像这种互作关系可以去掉，此时出来的图就会更加美观。
# 如果links数据框的一个link的from只出现过一次，同时to也只出现一次，则将其去除
links_2 <- links %>% mutate(from_c = count(., from)$n[match(from, count(., from)$from)]) %>%mutate(to_c = count(., to)$n[match(to, count(., to)$to)]) %>%filter(!(from_c == 1 & to_c == 1)) %>%dplyr::select(1,2,3)
# 新的节点数据
nodes_2 <- links_2 %>% { data.frame(gene = c(.$from, .$to)) } %>% distinct()
# 创建网络图
net_2 <- igraph::graph_from_data_frame(d=links_2,vertices=nodes_2,directed = F)
# 添加必要的参数
igraph::V(net_2)$deg <- igraph::degree(net_2)
igraph::V(net_2)$size <- igraph::degree(net_2)/5
igraph::E(net_2)$width <- igraph::E(net_2)$weight/10#如果去除了游离的互作关系，那么可以使用一种中心布局的方式，它是根据一个节点的连接数而排列其位置，连接数越大，节点越倾向于在中间位置排列，会更容易看得出重要节点。另外环形布局的线使用弧形线(geom_edge_arc)会更美观：
ggraph(net,layout = "linear", circular = TRUE)+geom_edge_arc(aes(edge_width=width), color = "lightblue", show.legend = F)+geom_node_point(aes(size=size), color="orange", alpha=0.7)+geom_node_text(aes(filter=deg>5, label=name), size = 5, repel = F)+scale_edge_width(range = c(0.2,1))+scale_size_continuous(range = c(1,10) )+guides(size=F)+theme_graph()

基因蛋白互作网络图

互作关系结果

combined_score 互作得分，<400 低可信，400～700 中可信，>700 高可信。

知识分享 | 转录组个性化分析(4)——蛋白互作分析相关推荐

知识分享| 转录组个性化分析(2)——GSEA
上一期中给大家介绍了拟时序分析的意义及具体的分析过程,本期继续给大家带来转录组个性化分析--GSEA.废话不多说,干货直接奉上! 1 GSEA基本概念基因集富集分析(Gene Set Enrichm ...
知识分享| 转录组个性化分析(5)——转录因子及转录因子结合位点预测
转录因子也称反式作用因子,在动植物的生长发育及其对外界环境的反应中起着重要的调控作用,已成为现在生物学研究领域的热点,其功能分析是重要的研究内容之一.因此我们可以通过转录因子注释,或者可通过表达量聚类 ...
知识分享| 转录组个性化分析(6）——WGCNA
近年来,很多SCI高分文章中都使用了WGCNA,那么WGCNA是什么,它可以应用于哪些研究方向,又如何进行WGCNA分析,其分析结果如何看?现在就带着这些问题,跟着小易一起学习探讨吧! 1 WGCN ...
rna pull down,蛋白互作分析,蛋白鉴定实验
RNA pull down是一种分子生物学技术,可以用来研究RNA与蛋白质之间的相互作用.它的原理是通过向细胞中添加含有RNA结合位点的蛋白质来捕获与RNA相互作用的蛋白质. 广州如期生物技术有限公司 ...
mirna富集分析_GEO芯片数据下载，矩阵提取，差异基因分析，差异miRNA分析，miRNA靶基因预测，GO、KEGG功能，蛋白互作网络构建 - 生物信息学讨论版 -丁香园论坛...
一.芯片差异基因分析 1. 芯片数据收集在 NCBI GEO数据库下载 . 2.做差异分析使用limma R包计算正常组织和病组织的差异表达情况 3.绘制火山图 4.绘制热图使用pheatmap ...
一文解决Cellphonedb单细胞互作分析及可视化作图（2）
之前我们已经讲述了Cellphonedb的安装配置和数据分析,就差可视化了,这里简单说一下常见的可视化,如果需要其他更加个性化的可视方式,就需要发挥自己的聪明才智了! CellphoneDB单细胞互作 ...
转录因子和组蛋白修饰研究思路 | DNA蛋白互作专题
表观遗传学中DNA和蛋白的互作是基因转录调控的关键,亦是基因转录启动的前提,不少科研项目都以其为切入点.DNA和蛋白互作技术有很多,比如染色质免疫共沉淀技术(ChIP).CUT&Tag.DNA ...
哇！单细胞测序-配体受体互作分析原来可以这么简单又高大上！
NGS系列文章包括NGS基础.转录组分析 (Nature重磅综述|关于RNA-seq你想知道的全在这).ChIP-seq分析 (ChIP-seq基本分析流程).单细胞测序分析 (重磅综述:三万字长文读 ...
【系统生物学】大肠杆菌蛋白互作网络分析（系统与合成生物学第三次作业）
摘要下载大肠杆菌蛋白互作网络(Ecoli PPI network)数据,使用Python对大肠杆菌蛋白互作网络进行筛选,并使用Cytoscape进行圆形布局可视化.此外,还绘制度分布函数并用幂函数进 ...

知识分享 | 转录组个性化分析(4)——蛋白互作分析

知识分享 | 转录组个性化分析(4)——蛋白互作分析相关推荐

最新文章

热门文章