PPI | protein-protein interaction | 蛋白互作分析

前言

做RNA-seq基因表达数据分析挖掘，我们感兴趣的其实是“基因互作”，哪些基因影响了我们这个基因G，我们的基因G又会去影响哪些基因，从而得到基因调控的机制。

直觉确实是很明确的，但是细节处却有很多问题。

我们讨论的到底是基因表达的互作，还是基因产物的互作？

------------

对于蛋白编码基因，它翻译产生蛋白，如果此蛋白不参与转录过程，理论上不可能会影响另一个基因的表达，那也就不存在基因表达的互作的，它们的基因表达被很好的隔离起来了，相互独立，互不影响。

但现在鉴定出了很多调控基因或其他在基因组上的调控序列，比如miRNA、lncRNA等，它们也都需要从基因组上转录出来，然后转录产物会去影响其他基因的表达（影响转录）。这才是基因表达互作，虽然MiRNA、lncRNA不能被称作基因。

------------

基因产物的互作就普遍了，那就是蛋白互作，也就是STRING等数据库里收集的信息。

蛋白互作也容易直观理解些，复杂的多细胞生命体，几乎所有的功能都是靠蛋白来实现的，所以有很多蛋白要互相结合（空间上）在一起来行使自己的功能。

------------

还有一个就是遗传学领域的基因互作，这与生物学的基因互作完全不同，遗传学考虑的是宏观的基因互作，站在表型的基础上。 Novel phenotypes often result from the interactions of two genes。

遗传学的基因互作是生物学基因产物互作的结果。

Defining genetic interaction

GENE INTERACTIONS

---

STRING database的挖掘

这个数据库绝对是做实验人的宝藏，里面包含了各种蛋白互作关系，不用做实验就有一大堆证据。

IPA了解一下，收费的高端分析软件，大部分就是整合的这个数据库，很多大佬喜欢用IPA来找明星基因，再来讲故事，实例请看之前解读的CSC paper。

首先了解一下STRING里面有哪些文件可以下载：

https://string-db.org/cgi/download.pl?sessionId=yMNmD7s36wS8

选你的物种，减少文件大小，常用的就是互作数据：

一般我们想知道某个蛋白会与哪些其他蛋白互作，以及互作的类型，然后做下游分析，信息都在这几个文件里了。

注：有哪些互作关系需要好好搞清楚，移步help，https://string-db.org/cgi/help.pl?sessionId=yMNmD7s36wS8

Docs » User documentation » Getting started » Evidence

Conserved Neighborhood
Co-occurrence
Fusion
Co-expression
Experiments
Databases
Text mining

每一个PPI关系的证据来源是不同的，选择你需要的证据。我觉得里面最可靠的就是Experiments, Databases和Text mining了。

当然，我们是高手，能用更简单的方法绝不用复杂的，那么STRING的API了解一下。

用任意脚本语言读以下格式化地址：

https://string-db.org/api/[output-format]/interaction_partners?identifiers=[your_identifiers]&[optional_parameters]

就能得到一个dataframe结果，不用下载，不用筛选，速度更快，随调随用。

实例，我想知道HDAC4的互作蛋白，可以这么抓：

老鼠：Mus%20musculus

url <- "https://string-db.org/api/tsv/interaction_partners?identifiers=HDAC4&species=Homo%20sapiens"
webDf <- read.table(url, header=T)
head(webDf)

       stringId_A      stringId_B preferredName_A preferredName_B ncbiTaxonId score
1 ENSP00000264606 ENSP00000080059           HDAC4           HDAC7        9606 0.934
2 ENSP00000264606 ENSP00000202967           HDAC4           SIRT4        9606 0.809
3 ENSP00000264606 ENSP00000209873           HDAC4            AAAS        9606 0.901
4 ENSP00000264606 ENSP00000209875           HDAC4            CBX5        9606 0.779
5 ENSP00000264606 ENSP00000212015           HDAC4           SIRT1        9606 0.988
6 ENSP00000264606 ENSP00000215832           HDAC4           MAPK1        9606 0.572
  nscore fscore pscore ascore escore dscore   tscore
1      0      0      0  0.061  0.320   0.90 0.061985
2      0      0      0  0.052  0.166   0.00 0.778000
3      0      0      0  0.058  0.000   0.90 0.000000
4      0      0      0  0.062  0.463   0.54 0.159000
5      0      0      0  0.052  0.415   0.90 0.812000
6      0      0      0  0.000  0.433   0.00 0.276000　　

结果解读：

Output fields (TSV and JSON formats):

Field	Description
stringId_A	STRING identifier (protein A)
stringId_B	STRING identifier (protein B)
preferredName_A	common protein name (protein A)
preferredName_B	common protein name (protein B)
ncbiTaxonId	NCBI taxon identifier
score	combined score
nscore	gene neighborhood score
fscore	gene fusion score
pscore	phylogenetic profile score
ascore	coexpression score
escore	experimental score
dscore	database score
tscore	textmining score

抓其他信息改下API就行了

还有很多工具是基于STRING做富集分析的，也可以了解一下，主要看自己需求。

待续~