使用R语言绘制string蛋白互作图

STRING是已知和预测的蛋白质-蛋白质相互作用的数据库。交互包括直接（物理）关联和间接（功能）关联。数据库包含来自众多来源的信息，包括实验资料库，计算预测方法和公共文本集。每次互动都与组合的置信度相关综合各种证据的分数。目前，涵盖了超过百万种蛋白质生物。STRING数据库可用于在基因列表中添加含义。STRINGdb R软件包，以方便用户访问STRING中的数据库。在本指南中，以示例说明了该软件包的大多数功能。此外，iGraph包作为代表蛋白质-蛋白质相互作用网络的数据结构。

首先，首先知道所拥有生物的NCBI分类标准标识符（例如，人类使用9606，小鼠使用10090）。如果不知道，可以搜索NCBI分类法或开始查看。因此，如果物种不是人类，则可以在STRING网页的“有机体”部分（下找到该物种及其分类学标识符页面有效表格=生物）或在STRING网站的下载部分下载完整列表。

• 加载包

########################################################## 


########################################################## 
# if (!requireNamespace("BiocManager", quietly = TRUE))
#   install.packages("BiocManager")
# 
# BiocManager::install("STRINGdb")

library(STRINGdb)
library(tidyverse)
library(clusterProfiler) 
library(org.Hs.eg.db)  

library(STRINGdb)
library(igraph)
library(ggraph)
getwd()

• 注释基因名

########################################################## 


########################################################## 


string_db <- STRINGdb$new( version="10", species=9606,
                             score_threshold=700, input_directory="")


STRINGdb$methods()
 
# 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。自己调即可


gene <- read.csv('dat.csv', header = T)

gene <- gene$gene


gene <- gene %>% bitr(fromType = "SYMBOL", 
                      toType = "ENTREZID", 
                      OrgDb = "org.Hs.eg.db", 
                      drop = T)

• 绘制string互作图

########################################################## 


########################################################## 



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

string_db$plot_network( data_mapped$STRING_id )

• 利用ighraph包绘图

########################################################## 


########################################################## 


data_links <- data_mapped$STRING_id %>% string_db$get_interactions()

# 转换stringID为Symbol，只取前两列和最后一列
links <- data_links %>%
  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

########################################################## 


########################################################## 


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>1, label=name), size = 3, repel = F)+
  scale_edge_width(range = c(0.2,1))+
  scale_size_continuous(range = c(1,10) )+
  guides(size=F)+
  theme_graph()

但是个人感觉绘制出来的图片依然没有cytoscape软件功能强大，建议还是string网页+cytoscape的方法来绘制。