做了几年生信基本绕不开蛋白互作网络。当你拿到一批差异基因或者从测序数据里筛出一堆候选基因时第一反应肯定是“这些基因之间到底有什么关系”。这时候String数据库和CytoScape这套组合几乎就是标准答案。哪怕你没做过生信只要会点网页操作和鼠标点击也能在半小时内搭出一张能放进论文的PPI网络图。这篇博文我会把整套流程拆开讲清楚从String数据库的检索逻辑、可信度评分的含义到导出数据后如何在CytoScape里做可视化美化再到hub基因筛选和后续功能富集的衔接。中间穿插一些我实际踩过的坑比如为什么你导出的节点数和网页上看到的对不上、为什么蛋白名突然变成一大串看不懂的ID以及CytoScape里那些插件到底哪些值得装。适合刚入门、准备复现或者打算把这个流程挪到自己数据上的朋友参考。1. 内容整体设计与思路拆解1.1 PPI网络到底在解决什么问题PPI是Protein-Protein Interaction的缩写也就是蛋白质-蛋白质相互作用。一个细胞里几千个蛋白不是各干各的它们会通过物理结合、信号传递、复合物组装等方式协同工作。把这些互作关系画成网络图节点是蛋白边是互作关系就是PPI网络。做转录组、蛋白组或者单细胞分析的人天天都要面对一个尴尬问题——筛选出来的差异基因动辄几百上千个直接一个个看功能注释能看瞎眼。但如果你把这些基因映射到PPI网络上情况立刻就不一样了。你会发现有些基因地位极高跟谁都能搭上边有些基因扎堆成团明显属于同一个功能模块还有些基因孤立无援可能就是个随机噪声。String数据库就是目前最常用、覆盖最全的PPI信息来源之一。它的特色倒不是数据量有多大而是它会给每一条互作关系打一个可信度分数。这个设计非常实用因为生物实验里假阳性太常见了直接拿原始的互作数据画图会很乱只有过滤掉低置信度的关系剩下的网络才有生物学意义。1.2 为什么String要和CytoScape搭配使用老实说String网站自带的可视化功能不算差能出图能改布局还能简单调色。但一旦你需要做更深度的分析比如筛选hub基因、聚类找模块、把网络按组织特异性拆分或者把多组实验数据映射到同一张网络图上网页版就真的不够用了。CytoScape本质上是个开源网络可视化与分析平台它最强大的地方在于两点一是节点和边的样式可以完全由数据驱动比如一个基因的表达量、差异倍数、degree值都能直接映射成节点大小、颜色深浅、边框粗细二是它的插件生态非常丰富MCODE能做聚类cytoHubba能排hub基因ClueGO能做功能富集几乎覆盖了PPI网络下游分析的所有常见需求。String负责给数据CytoScape负责让数据说话。这是我这几年最顺手的工作流也建议新手直接按这个路线走不要绕弯路。1.3 一个典型分析场景的完整链路我用一个最常见的场景来说清楚这套流程的定位。假设你有基因表达谱数据经过差异分析拿到了120个上调基因和80个下调基因。接下来你要做的不是急着画网络图而是先明确分析策略。第一步当然是把基因列表整理好格式一般是官方基因Symbol比如TP53、EGFR这种。第二步去String数据库检索这些基因对应的蛋白互作关系选择合适的物种和可信度阈值导出互作网络文件。第三步才是重头戏——把文件导入CytoScape进行网络美化和拓扑分析找出最核心的驱动基因。最后再把这个结果和GO、KEGG富集分析做交叉验证解释这些核心基因到底在调控哪些通路。这套链路每一步都有细节任何一步出问题都会直接影响结果质量。我的经验是先理清楚整体思路再动手不然经常是画图两分钟、返工两小时。2. String数据库检索实操与参数避坑指南2.1 输入基因列表前必须先做的三个检查很多新手的第一个错误不是参数设错了而是基因列表本身就有问题。String对输入数据其实挺挑剔的如果你贴进去的基因格式五花八门它匹配不上就会直接丢弃最后出来的网络残缺不全。第一个检查是基因名的写法务必与所选物种的官方命名一致。人类基因用全大写的SymbolTP53、EGFR、MYC小鼠基因是首字母大写其余小写Trp53、Egfr、Myc其他物种也各有约定。大小写错了或新旧Symbol混用都会导致匹配失败。第二个检查是去掉所有空行、重复项、以及没有任何注释证据的基因名。String虽然会自动去重但如果你的Excel里混进了“NA”“—”“gene1”这种无效值它会把它们当成合法输入去匹配白白浪费检索结果。第三个检查是物种必须选对。这一步极其容易被忽略因为String会自动根据输入基因名推测物种推测错了你不一定能察觉。比如你研究猪的基因它给默认成了人类一部分基因恰好也能匹配上但很多猪特有的基因就丢了。规范的做法是在Organism下拉框里明确选择你的目标物种不让它自动猜。2.2 理解String的可信度评分体系String给每条互作关系打了一个分数范围是0到1分数越高代表互作越可信。这个分数并不是简单地“有没有实验证据”而是综合了多个维度的加权结果。我在实际操作中见过不少误读比如有人看到0.9分就认为是实验验证过的强互作看到0.4分就认为是生物信息预测不可靠。这个理解其实太片面了。String的评分来源分成三类实验数据、数据库注释、文本挖掘。文本挖掘就是从大量文献摘要里自动抓取“这两个基因被同时提及”的关系这种来源噪音很大但覆盖广度是实验数据比不了的。针对不同的分析目标阈值的选择策略不一样。如果你只是想要一张展示核心关系的精简网络建议把high confidence也就是0.7以上的互作保留这样图面干净节点的核心度也更突出。但如果你希望网络保留更多潜在关系方便后续做模块聚类0.4的medium confidence可能更合适。不要指望一个阈值适应所有场景我自己通常会把不同阈值的网络各导出一份备着。2.3 导出格式的选择直接影响后续分析效率String网页版的导出功能藏在“Export”下拉菜单里默认会给你提供PNG图片、SVG矢量图、TSV文本文件这些选项。很多第一次用的朋友会直接下载PNG图片然后拿去做PS拼图这其实是个极大的浪费。TSV格式的文件才是后续分析的核心产物一定要下载这个最好同时下载两份一份是完整的互作关系表包含两个蛋白的String ID、实验证据类型、综合评分另一份是蛋白节点信息表包含每个蛋白的名称、描述、以及各物种的同源信息。这两份文件在导入CytoScape时有不同的用处前者决定网络的“骨架”后者决定节点的“标签”。另外要说一下String导出的TSV文件名很长很乱建议下载后立刻重命名避免多个项目混在一起时分不清谁是谁。我见过同事一个月后对着五个“string_interactions.tsv”发愣的场面实在浪费时间。2.4 下载SVG图片用于初稿排版的小技巧虽然最终的网络图建议在CytoScape里重绘但String自带的网络布局在某些情况下是非常扁平的作为初稿或预实验展示也够用。如果你想把这张网图插到PPT里SVG格式是最值得下载的因为它是无损矢量图放大多少倍都不会模糊。我自己会在String里先把网络调整得差不多比如把离散节点挪到旁边、突出中心密集区域再下载SVG然后用Illustrator或者Inkscape简单编辑一下文字标签基本就能应付组会汇报了。当然要是投文章用的正式图还是建议走CytoScape的完整流程美观度和可重复性都更好。3. CytoScape可视化分析全流程拆解3.1 导入数据前的环境准备CytoScape安装本身没什么难度但有两件准备工作容易被忽略。第一是把Java环境配置好CytoScape 3.x版本默认自带Java运行时一般来说不用手动装但如果启动报错十有八九是Java版本冲突。第二是先想清楚网络里需不需要用插件如果需要最好第一时间装好。我推荐的基础插件配置是三件套MCODE、cytoHubba、ClueGO。MCODE用于网络聚类cytoHubba用于排名核心节点ClueGO用于功能富集。如果你只做静态的美化展示基础版CytoScape就够了但如果要挖掘hub基因那cytoHubba几乎是必需品。插件安装路径在CytoScape的App Manager里直接搜插件名点安装就行。国内网络环境下偶尔会下载失败碰到这种情况别慌去插件官网下载jar包放到CytoScape安装目录的plugins文件夹下重启软件就能加载。3.2 从TSV文件到可视化网络的完整动作在CytoScape里导入网络文件最直接的方式是File - Import - Network from File选择你下载的TSV文件。导入时有个关键弹窗要做设置它会问哪些列作为Source Node哪些列作为Target Node哪些列是交互属性。String导出的TSV文件第一列是node1第二列是node2这就是网络的边定义。这里我特别提醒一点String的TSV文件里的node1和node2是蛋白的编码ID不是我们熟悉的基因Symbol。如果你直接这样导入网络能出来但节点标签全是ENSP开头的长串字符根本没法看。解决办法有两个。一个是在导入后手动把蛋白ID映射成基因Symbol在Info Panel里对Node Table操作另一个更省事的方法是先在String网页端勾选“mapping”相关的导出选项有些版本的String可以直接在TSV里带上基因Symbol列。如果都没有那就用CytoScape的Table Import功能手动把基因Symbol列作为Node Label属性导进来。3.3 样式映射是让网络图“长开”的核心能力网络导入后默认只有一个灰蒙蒙的圆形所有节点一样大所有边一样粗说实话没什么信息量。但这正是CytoScape最有价值的地方——它能用数据驱动的方式让网络的每个视觉元素都携带生物学意义。最常见的映射是把degree值也就是节点连接数映射到节点大小。连接数越多的节点越大直接被网络边缘的节点则缩得很小。操作路径是在Style面板里找到Size选择Mapping Type为Continuous再设置一个合理的映射范围比如节点大小从20到100。颜色也同理可以映射到表达量的log2 fold change让上调基因红色、下调基因蓝色。这样读一张网络图的时候第一眼就能看出哪些核心蛋白处于高表达状态哪些是被抑制的比纯看文字列表高效得多。做完这些映射后记得把Layout调整一下。CytoScape内置的Layout工具里我推荐先试一下“yFiles Organic”或者“Prefuse Force Directed Layout”这两种布局对PPI网络这种密集互作图非常友好跑出来的结构比较自然核心区域和外围区域一目了然。3.4 MCODE聚类和cytoHubba筛选hub基因网络图画完之后很多人的分析就止步了其实真正的生物学发现才刚刚开始。PPI网络中的蛋白密集连接区域往往对应着功能性的蛋白质复合物或信号通路模块。MCODE插件的价值就是把这些稠密区域自动找出来。运行MCODE后你会得到若干Cluster每个Cluster是一组连接异常紧密的节点。比如你要研究的是肿瘤样本里的差异表达基因那MCODE里靠前的几个Cluster很可能就是跟细胞周期、DNA修复、免疫应答相关的关键模块。再把这些模块里的核心基因拿出来看功能注释远远比盯着上百个基因列表集中注意力靠谱。cytoHubba则是另一种分析思路它通过多种拓扑算法对节点排名比如Degree、MCC、Betweenness这些找出在全局网络中起枢纽作用的hub基因。在我的经验里MCC算法的排名结果往往跟实验中的关键调控因子有较好的一致性。这两种插件配合使用基本上能把一张网络的关键信息榨干。4. 常见问题与细节坑位实录4.1 String检索结果里出现大量非目标蛋白怎么办这个情况我碰到过不止一次。你明明输入了200个人类基因结果String返回的网络里出现了400多个节点多出来的一半都是你没见过的蛋白。原因很简单String默认会在网络里包涵“interactors”也就是你输入基因的直接互作伙伴。这些“外来的”节点有的确实有实验支持但混入太多就会让网络变得极其拥挤核心目标基因反而被淹没了。解决办法是在String的参数设置项里找到“network type”和“meaning of network edges”把网络类型设成“query proteins only”这样只会保留你自己提交的那些基因之间的互作关系不会有额外节点混进来。如果你确实需要探索第一层邻居那可以保留interactors但要非常谨慎地对评分阈值做调整建议至少设为0.7以上。4.2 基因Symbol对不上、匹配率低的问题输入了50个基因结果String只识别出35个剩余15个直接说“unmapped”这种问题往往出在旧基因Symbol没转换到官方标准。比如人类基因里旧Symbol“CYP2D7”在某些版本里已经被合并或改名了。平时分析数据时第一件事就是去把基因名标准化。NCBI的Gene数据库或者DAVID、BioMart在线工具都能做Symbol新旧版本转换。还有一种常见情况是物种搞混了——你研究的是果蝇但输入的是人类基因书写形式自然匹配率极低。4.3 CytoScape节点名称为什么是ENSG开头的ID而不是Symbol这是新手最容易懵掉的地方。我在前面也提过String的TSV导出文件里node1和node2列默认是蛋白的Ensembl ID或STRING内部ID不是基因Symbol。想快速解决这个问题最佳办法是在String导出页面里勾选导出“as a simple tabular text export”时注意选择是否包含“gene symbol”信息。部分版本需要在“Exports”里切换到View as a table之后再逐列检查。如果导出的文件里没有Symbol列那就只能导入CytoScape后通过String的网络属性面板找到display name字段把它映射到Node Label通常这个字段存的就是基因Symbol。另外一个小技巧是导入网络时直接把TSV的第三列、第四列等额外信息也一并导入然后在Node Table里把它们设置为Local Data这样可以保留更多从String带过来的注释信息后续分析用得着。4.4 网络节点太多、画面太乱怎么过滤刚导入的原始网络如果节点数超过200几乎肯定是一片乱麻。我见过有人直接拿这个状态去提交论文审稿人看到直接崩溃。过滤策略分两步走。第一步在导入前也就是String检索阶段把评分阈值调到0.7并关闭无互作的孤立节点。第二步在CytoScape里利用Network Analyzer计算每个节点的degree和中介中心性然后做过滤。CytoScape有个工具可以自动选中低于某个degree阈值的节点你可以在Select菜单里用By Degree来筛选只保留连接数大于等于5或10的节点。这样过滤后的网络图至少能看清主干结构。不过过滤后要记住检查网络是否还是连通图如果被切成了太多零散小岛说明阈值定得太狠了需要回调一些。4.5 网络布局差、重叠严重怎么快速调整CytoScape的自动布局算法有好几种但并不是每一种都适合PPI网络。如果你用Grid Layout那出来的图一定是非常规整但极其缺乏信息层次的网格基本没法看。优先推荐“Prefuse Force Directed Layout”它模拟物理力学进行排布让互作关系紧密的节点自动聚在一起。如果节点间的距离还是太挤可以把Layout工具栏里的“scale”或“noise”参数调大一些让整张图舒展开。实际操作中有时候自动布局效果还是不理想比如关键hub节点没有位于视觉中心。别客气直接用鼠标拖动节点微调CytoScape允许手动调整位置并且调整后会记住你的布局手动微调几分钟图面质感会提升一个档次。4.6 功能富集分析结果与PPI网络不一致这个问题常发生在做完ClueGO富集分析后你发现显著富集的通路和PPI网络最核心的模块对不上号。别急着怀疑分析出错。PPI网络的核心是基于物理互作而功能富集是基于基因注释的统计学富集两者本身就不是一个维度的概念。某个基因在网络里连接度很高不代表它所在通路在你的差异基因列表里显著富集。更常见的情况是差异基因列表本身在统计结果里富集到“免疫应答”但PPI网络里最核心的模块却是“细胞周期”这说明你的数据里存在多个平行的生物学事件。这个时候的做法是把网络模块和功能通路进行交叉解读而不是强行让它们对齐。可以分别列出Top hub基因和Top通路再从中找共同核心基因这部分基因往往才是真正值得继续做实验验证的候选对象。5. 结果解读与后续分析扩展5.1 从网络图到科学结论核心节点如何支撑故事PPI网络图做完不是为了好看它要能支撑你的科学结论。核心节点就是这张图的“论点”模块聚类是“论据”最后的富集分析是“总结”。比如你筛选出三个hub基因它们之间连接度都非常高但这三个基因分别属于MCODE聚类里的不同模块说明它们可能分属不同的信号通路却在某个上游环节汇聚。这时候你可以回看差异表达数据验证这三个hub基因在你的实验组里是否同向变化或者是否有相互调控关系这些都能作为机制讨论的故事情节。5.2 把PPI网络和差异表达、生存分析结合的做法在生信文章里PPI网络很少单独出现。常见的高分文章套路是先用火山图展示差异基因然后用PPI网络筛选核心节点再对这些核心节点做生存分析、免疫浸润分析或者实验验证。这意味着你在做PPI网络的时候就要想清楚后续要对接什么分析。CytoScape里可以把基因的表达量或者差异倍数作为节点属性直接映射成颜色这一步做得好后续导出的图片可以直接跟差异表达分析呼应。如果还需要做生存分析那就把hub基因列表导出用外部工具如GEPIA或者R语言的survival包继续做KM曲线。所有这些扩展分析的前提是你现在留下的网络数据是干净、标准、可追溯的。建议每次分析都用Session文件保存状态CytoScape支持保存整个工作区包括网络数据、样式、布局。这个习惯能救命我有一次没保存重做了半天的布局心痛得不行。5.3 审稿人可能会追问的细节文章投稿后审稿人可能会针对PPI分析问几个尖锐的问题。比如“你的置信度阈值设置依据是什么”“为什么不显示互作证据来源”“hub基因的筛选标准是怎么定的”。这些问题如果等到返修时再想会有很多重复劳动。现在做图的时候就该把这些信息记录下来。比如记录你用0.7阈值的原因是因为这个阈值下网络规模适合且保留了大部分已知强互作记录MCODE聚类参数比如Degree Cutoff设了2K-Core设了2这个参数一般能识别比较牢固的模块团体。如果审稿人要求展示具体某条边的证据类型比如实验证据还是数据库推断你可以回到String里查看该互作关系的详情页面。保存好这些原始数据和参数记录你会发现答辩和返修都轻松很多。5.4 下一步的几个进阶分析方向基础版PPI网络分析做完后还有几个特别值得尝试的进阶方向。一个是把PPI网络映射到组织特异性表达数据上看看核心模块在不同组织里的活跃情况。另一个是引入时序数据把0小时、12小时、24小时的表达变化映射到网络观察信号传递的动态过程。还有就是做药物靶点分析如果hub基因明确可以公开数据库查这些基因是否存在已知的药物靶点为后续实验提供依据。这些方向不是必须要做但会给你的分析增加很多独特性。大部分论文停留在静态网络展示层面愿意在动态过程和功能验证层面多走一步的文章的深度会有明显差距。CytoScape这套技能不是终点它是进入复杂网络生物学分析的入场券。我用这套流程处理过不少项目数据整体体验是String负责把庞大的互作数据压缩成可读的关系矩阵CytoScape负责把这些关系重新翻译成生物学家能看懂的语言。其中最容易犯的错反而是急着导出图片而忽略了数据清洗和参数记录的环节。你在分析前期多做一分钟的规范整理后期就能少花一小时的返工时间。特别是基因名标准化和TSV导出设置这两步值得再多花点心思。