企业官网建设流程全解析

做生物信息的人大概都经历过这个时刻：手里拿着一批差异基因，或者课题组筛出来的候选靶点，每个单独看都有文献支持，但放在一起到底谁在上下游、谁是核心节点、哪些蛋白天然抱团，单靠Excel拉表格根本讲不清楚。我第一次正经跑蛋白互作网络，就是在这种场景下逼出来的：一批来自转录组和蛋白质组交叉验证的基因，数量说多不多，说少不少，十几个二十个，发文章或者给导师汇报的时候，总不能只扔一张火山图吧。

当时最先想到的就是STRING数据库，配合R语言做清洗、构图和拓扑分析。这套组合的好处很直接：STRING把全世界已发表和被数据库收录的蛋白互作证据集中在一起，还给出一个综合打分；R语言则把导出的数据变成可以统计、筛选、重复操作的分析流程。对于需要处理多组学结果、做药物靶点筛选、或者纯想给某个通路画一张“关系地图”的人来说，这个是性价比最高的入门方案。这篇文章我会把我常用的整个流程完整走一遍，包括网页端参数怎么设置、TSV文件怎么导入R、igraph怎么画网络、以及我在这个过程里踩过的坑。代码我尽量贴全，你可以直接复制改成自己的基因列表。

1. 为什么蛋白互作网络分析都在用STRING

1.1 STRING到底干了什么事：从“谁和谁认识”到“证据加权”

很多人都听说过“蛋白互作网络”这个说法，但真正上手时会发现，难点不在于画图，而在于怎么判断两个人之间的事靠不靠谱。生物体内大多数蛋白不是单打独斗的，它们组成复合体、形成信号通路、响应外界刺激，但文献里这一条互作可能来自酵母双杂交，那一条来自免疫共沉淀，另外一些可能只是高通量筛选里的一个候选，可靠性天差地别。

STRING（Search Tool for the Retrieval of Interacting Genes/Proteins）做的事情，就是把不同来源的互作证据收集起来，覆盖上万种物种、数千万个蛋白，然后针对每一对蛋白给出一个综合分数。这个分数不是简单的“有”或者“没有”，而是把多个维度的证据加权融合在一起。你拿到手的，不只是一堆蛋白的名字，而是一套带可信度标签的关系数据。所以做蛋白互作网络分析，第一步不是急着画图，而是先想清楚：我手中这批基因，在STRING里能够匹配到的有效互作到底有多少，这些互作的证据来源是否足够支持我的结论。

另外，STRING检索时支持多种标识符，基因Symbol、Ensembl ID、UniProt ID都能识别。我自己常用的基因列表通常来自转录组差异表达分析，输出的是基因Symbol，直接粘贴到STRING搜索框就能用。不过这里有一个小坑：如果你用的是旧式别名，比如有些人习惯把TP53BP1写成53BP1，把H2AFX写成H2AX，STRING虽然内置同义词映射，但未必每个别名都能命中。所以最好提前用HGNC的标准Symbol去跑，匹配率会明显提高，这一点后面我还会单独说。

1.2 从数据源看懂打分机制：实验、数据库、文本挖掘与共表达

STRING里每条互作的综合分数，由几个证据通道组合而成。网页导出的full TSV文件里，会明确列出neighborhood_on_chromosome、experiments、databases、textmining等列名。很多人看到这些列名就晕，其实每个名词对应一类证据来源：

• experiments：来自实验验证的物理互作或生化互作，比如co-IP、pull-down、酵母双杂交、X射线晶体结构等。这类证据通常被认为可信度较高。
• databases：来自第三方通路数据库或蛋白复合物数据库收录的互作，比如Reactome、KEGG等。
• textmining：通过文本挖掘从文献摘要和全文中提取的共现关系。这类证据覆盖面广，但也最容易出现“看起来相关、实际并间接”的情况。
• coexpression：基于基因在不同条件下的表达量相关性推断出的潜在关联，比如大量RNA-seq样本中两个基因共表达，这类证据偏向功能关联而非物理结合。
• neighborhood_on_chromosome、fusion、cooccurrence：这些在细菌、古菌基因组里比较常见，对人类基因的贡献相对较小。

我在实际操作中有一个习惯：如果最终目的是找核心Hub基因、做药物靶点筛选，我会把textmining通道的贡献单独看一下。默认网络里如果textmining占比过高，得到的边可能会比较“软”，因为两篇文献里提到两个基因，并不代表两个蛋白一定在同一个复合物里工作。此时可以在STRING网页端调整证据通道的显示，或者在R里读入full TSV后，只保留那些experiments或databases分数较高的边构建子网络。后面代码部分我会给出具体做法。

2. STRING网页端实操：从基因列表到TSV导出

2.1 关键参数怎么选：物种、网络类型和置信度阈值

进入STRING主页后，最常用的入口是“Search”下的“Multiple proteins”。贴入基因列表前，第一步不是急着点Search，而是先确认物种。这个整不好后面全是白干。我见过不少初学者把人类基因贴进去，默认物种却是某种模式生物，最后匹配率惨不忍睹。STRING支持按物种名搜索，输入Homo sapiens即可。如果你分析的是小鼠、斑马鱼、水稻或者某种细菌，一定记得先改成对应物种。

接下来是网络类型选择。STRING里有“full STRING network”和“physical subnetwork”两个大的方向。前者包含所有类型的互作证据，包括功能关联和共表达；后者限定为物理互作，比如直接结合、形成复合体。如果研究目标是信号通路、调控机制，full STRING network更常用；如果你想找的是一条明确的蛋白复合物核心链，physical subnetwork更干净。我的建议是：第一轮跑full network，看全局情况，然后再用physical subnetwork做敏感性验证。

置信度阈值是另一个高频设置项。STRING默认的minimum required interaction score是0.400，也就是medium confidence。这个值到底选多少，取决于你的网络规模和目的：

• 0.150（low）：基本什么都留着，网络会非常密集，适合做探索性观察，但不太适合直接下结论。
• 0.400（medium）：默认值，兼顾覆盖率和可信度，用于常规差异基因网络分析比较合适。
• 0.700（high）：边少而精，留下来的大多是高置信互作，适合寻找核心复合物或验证特定通路。
• 0.900（highest）：非常严格，通常只剩实验证据很强的少数互作。

我平时跑一批差异基因，会先用0.400出一张全貌图，再看0.700的收敛情况。如果两个阈值下核心Hub基因基本一致，那结论就相对稳；如果差异巨大，就得回头检查基因列表质量，比如是否混入了大量表达量低、注释不清晰的基因。

2.2 一次真实导出过程：从输入基因到下载TSV

我用一个和DNA损伤修复相关的基因列表做例子，实际跑一遍：ATM、ATR、BRCA1、BRCA2、TP53、CHEK1、CHEK2、RAD51、TP53BP1、H2AFX、PALB2、BARD1、MRE11、EXO1。这14个基因在DNA损伤应答里都有明确功能，用来演示网络分析很合适。

在STRING搜索页粘贴这串基因，物种选Homo sapiens，点击Search，网站会跳转到结果页面。这里你会看到一张默认的网络图，图上每个节点是一个蛋白，点与点之间的连线就是预测或验证过的互作关系。颜色和线型代表证据类型，把鼠标悬停在边上可以查看具体来源。这个页面还可以调整“meaning of network edges”：默认是confidence，线粗代表综合分数高；也可以切换成experiments、databases、textmining，看不同证据通道的分布。

确认网络形态合理后，点击页面顶部的“Exports”按钮，在下载区域找到“as simple tabular text output (TSV)”，下载得到的就是标准互作表。文件名一般是string_interactions.tsv。这个文件就是R语言分析的原材料。如果你需要更丰富的信息，比如每个证据通道的独立分数，可以选择下载“full TSV”。两种我都用过，日常分析其实simple TSV就够，但如果你想在R里做“只保留实验证据”这种精细过滤，full TSV更有用。

下载后别急着关网页。我强烈建议顺手截几张图，尤其是“Summary”页面的统计信息和网络图原图，写报告或者组会汇报时可以直接用。另外，STRING的“Analysis”页面会给出GO富集、KEGG通路、UniProt关键词等一系列富集结果，这些后面作为网络分析的补充讨论非常有价值，导出成表格收好。

3. R语言读数据与网络构建：代码逐段拆解

3.1 数据读入：正确处理注释行和列名

收到string_interactions.tsv之后，第一步是在R里读进来。这个文件本身是以Tab分隔的文本，但有个小陷阱：文件开头有一行以#开头的注释，记录版本信息和网络链接。如果直接用read.delim读，注释行可能会被当成表头，导致后面的列名全是错的。我最早吃这个亏时，names()输出X.STRING.network...，整个人愣了一下才反应过来。

解决办法是给read.delim加上comment.char="#"参数，让它忽略#开头的内容。读取代码不算复杂：

library(igraph) # 读取STRING导出的TSV文件 ppi <- read.delim("string_interactions.tsv", sep = "\t", header = TRUE, comment.char = "#", stringsAsFactors = FALSE) # 查看数据结构 names(ppi) head(ppi)

读进来以后建议先看一眼列名。如果下载的是simple TSV，正常会包含node1、node2、combined_score等列；如果是full TSV，列名会更多，包含neighborhood_on_chromosome、experiments、databases、textmining等。不同版本的STRING导出格式偶尔会有细微差异，所以先用names()确认是最稳妥的。另外，如果文件里某列末尾有奇怪的字符，尤其是Windows系统下载的文件偶尔会在行尾多出\r，我会加一步gsub清洗，把\r去掉再读。这一步虽然不属于标准流程，但确实能避免不少莫名其妙的对不上。

3.2 构建igraph网络对象：节点、边、权重

数据读进来以后，下一步是把表格转成网络图对象。这里最常用的是igraph包，它对图论分析的封装非常成熟，性能也够用。核心代码就一行：

# 用前两列node1和node2构建无向网络 g <- graph_from_data_frame(ppi[, c("node1", "node2")], directed = FALSE) # 把combined_score作为边的权重 E(g)$weight <- ppi$combined_score

这里有一个细节：STRING导出的表格里可能包含重复边，比如同一对蛋白在多条证据中都出现，或者存在node1和node1自己连着一条自环的情况。这些会对后续的度、介数、聚类系数等拓扑指标造成干扰，所以构图前我会先做一次清理：

g <- simplify(g, remove.multiple = TRUE, remove.loops = TRUE)

经过这步处理后，网络里每个节点和每条边都是唯一。之后看一眼网络规模，对整体情况有个数：

vcount(g) ecount(g)

14个输入基因的列表，实际网络可能不止14个节点，因为STRING默认允许在结果中加入少量与输入蛋白直接互作的额外节点。这是它的设计逻辑：你的基因列表之间如果互作关系很少，网络会显得很空，加入第一层邻居有助于补充上下文。但如果你做定量分析，比如统计网络中的关键节点，就需要明确要不要让这些额外节点留在里面。想只保留自己输入的基因时，可以用induced_subgraph做子网筛选，代码我放在3.3节。

3.3 子网筛选与证据通道过滤：让网络更贴近你的生物学问题

实际科研场景里，网络不是越全越好。假设你的基因列表本身只有14个基因，但STRING返回了一张40个节点的网络，你直接拿去统计度，排名靠前的可能全是那些“被添加进来”的非目标蛋白，这会干扰你对核心功能的判断。解决办法是两类：第一类，筛选回输入基因列表形成的子网；第二类，按证据通道和分数过滤边。

先看子网筛选。假设我的输入基因列表是：

my_genes <- c("ATM","ATR","BRCA1","BRCA2","TP53","CHEK1","CHEK2", "RAD51","TP53BP1","H2AFX","PALB2","BARD1","MRE11","EXO1") g_sub <- induced_subgraph(g, which(V(g)$name %in% my_genes)) vcount(g_sub) ecount(g_sub)

这段代码的关键是which(V(g)$name %in% my_genes)，它会找到原始网络里那些名字在输入列表中的节点位置，然后诱导出这些节点以及它们之间的边。注意这里只会保留输入基因彼此之间的互作，如果某些输入基因在STRING里和任何其他输入基因都没有边，它们会成为孤立点。孤立点本身也是信息，说明这批基因之间的直接互作证据确实薄弱。

再看证据通道过滤。如果你下载的是full TSV，可以用类似下面这种方式，构建一个只包含实验证据分数达到0.700的边网络：

# 过滤实验证据分数 >= 0.7 ppi_exp <- ppi[ppi$experiments >= 0.7, c("node1", "node2")] g_exp <- graph_from_data_frame(ppi_exp, directed = FALSE) g_exp <- simplify(g_exp, remove.multiple = TRUE, remove.loops = TRUE)

这种过滤方式对寻找物理互作核心非常有帮助。文本挖掘带来的边往往有很多假阳性的嫌疑，而实验证据的边更接近真实的复合物和直接结合关系。我自己在汇报时会准备两套图：一套全证据版本用来展示整体格局，一套experiments过滤版本用来锁定高置信核心，两张图配合着讲，逻辑会清楚很多。

4. 网络可视化与核心节点挖掘

4.1 让图能看出信息：节点大小、颜色、布局和保存

可视化不是单纯的画图，而是要把网络里的结构信息体现出来。igraph默认画法很朴素，直接plot会导致节点大小一样、颜色一样、标签挤成一团，根本看不出谁是核心。我会做三件事：节点大小映射到度、边的粗细映射到combined_score、颜色映射到社区模块。

# 设置随机种子，保证每次布局一致 set.seed(42) # 节点度 deg <- degree(g_sub) # 用Fruchterman-Reingold布局，适合中小规模网络 plot(g_sub, vertex.size = deg * 3 + 5, vertex.color = "#7FB3D5", vertex.frame.color = "#2E86C1", vertex.label.cex = 0.75, vertex.label.color = "gray20", edge.width = E(g_sub)$weight * 3, layout = layout_with_fr(g_sub), main = "DNA损伤修复相关蛋白互作网络")

如果你觉得基础plot排版不够美观，可以用ggraph包配合ggplot2的风格来画，但igraph的灵活性和上手难度对于第一轮探索其实更友好。我的建议是：先用igraph快速出图，看结构和Hub节点，等确定好展示版本后再考虑用ggraph或Cytoscape精修。

布局算法也值得说两句。igraph里常见的layout_with_fr是力导向布局，节点之间像有弹簧一样互相排斥，边多的节点被拉向中心，比较适合展示尺度在100个节点以内的网络。节点数量一旦上到几百，FR布局会非常慢，建议改用layout_with_kk，或者先用社区发现算法分组后再布局。遇到几百上千个节点的大图，说实话折线图或者Cytoscape的yFiles布局更好使，igraph并不是万能的。

导出图片时，我一般用pdf设备，矢量图放进论文里不会糊：

pdf("ppi_network.pdf", width = 10, height = 8) plot(g_sub, vertex.size = deg * 3 + 5, vertex.color = "#7FB3D5", vertex.frame.color = "#2E86C1", vertex.label.cex = 0.75, vertex.label.color = "gray20", edge.width = E(g_sub)$weight * 3, layout = layout_with_fr(g_sub)) dev.off()

以我的经验，png这类位图格式在屏幕上看着不错，但投稿时编辑经常要求矢量图。PDF是最通用的选择。如果你在RStudio里画，还可以直接点击Export菜单选择PDF或PNG，但那样不好自动化，推荐还是用代码控制输出。

4.2 Hub基因和关键模块怎么找：度、介数、社区发现

网络图看个大概之后，量化分析必须跟上。最基础的指标是度，也就是每个节点连接了多少个邻居。度排名靠前的基因通常被称为Hub基因。在疾病机制或药物靶点研究里，Hub基因往往提示该蛋白在网络中处于中心位置，调控的潜在影响面更大。

# 按度排序，取前10 top10_deg <- sort(degree(g_sub), decreasing = TRUE)[1:10] print(top10_deg)

光看度还不够，介数中心性（betweenness）是另一个我常看的指标。它衡量的是，在所有节点对的最短路径中，经过某个节点的比例。直观理解就是：一个人虽然不是朋友圈里加好友最多的人，但所有消息传递都要经过他中转，那他在信息流通中的角色也非常关键。放在蛋白互作网络里，高介数的蛋白往往是不同模块之间的连接者，可能是信号通路的转换枢纽。

btw <- betweenness(g_sub) top10_btw <- sort(btw, decreasing = TRUE)[1:10] print(top10_btw)

把度和介数的Top基因列表拿过来对比，你会发现有些基因两个榜单都在，这些就是核心中的核心；有些只在度榜上，说明它连接很多但比较局部；有些只在介数榜上，说明它是一个重要的跨界节点。

模块检测同样很有价值。社区发现算法可以把网络划分成几个内部联系紧密、彼此联系较少的子模块。我常用的是walktrap和fast_greedy：

# 社区发现 cl <- cluster_walktrap(g_sub, weights = E(g_sub)$weight) membership(cl) modularity(cl)

把社区分配结果映射到节点颜色，能在图上直观地看到哪些蛋白抱团，往往是同一个生物学通路或复合物的成员。比如在DNA损伤修复的例子中，你可能看到一条由ATM、BRCA1、BRCA2、PALB2、BARD1组成的支路，和另一条由CHEK1、CHEK2、TP53组成的支路。这种模块划分结果，和STRING自带的富集分析结合起来，就能对“这批基因在哪些通路协同工作”给出比较完整的回答。

4.3 导出给Cytoscape继续加工：一种常规交接方式

igraph能做的统计和基础可视化已经很强，但你真要把网络图打磨成发文章级别的效果，Cytoscape往往是绕不开的工具。igraph和Cytoscape之间的交接，我推荐用GraphML格式，它能保留节点属性、边权重、社区分组等元数据。

# 把社区分组写入节点属性 V(g_sub)$module <- membership(cl) # 导出GraphML write_graph(g_sub, "ppi_network.graphml", format = "graphml")

在Cytoscape里导入GraphML后，可以用“Style”面板按module给节点着色，按degree设置节点大小，用NetworkAnalyzer插件重新计算一次拓扑参数，还能用yFiles Layout里的“Organic”布局让整张图更好看。很多人觉得Cytoscape上手门槛高，其实流程并不复杂，关键是先把igraph这边的数据分析做完，Cytoscape只负责呈现和微调，这样两边的工作量都不大。

我个人习惯是，R里面出结果表，Cytoscape出最终展示图。分析过程中的反复试错在R里完成，因为脚本化操作可以随时重跑；最终封面图用Cytoscape慢慢调，因为交互式调整到底还是方便。这个配合方式用顺了之后，处理几十批基因列表都不慌。

5. 高频报错与实操心得

5.1 常见问题和排查速查表

字符串这个流程跑的次数多了，我自己积累了一份问题速查表，列举几种最常踩的坑和对应的解决办法：

第2行“基因名未识别”真的是高频问题。STRING虽然做了同义词映射，但你在文献里看到的很多名称其实是非官方写法。比如“53BP1”对应的HGNC标准Symbol是“TP53BP1”，“H2AX”对应“H2AFX”，“p21”对应“CDKN1A”。如果一开始没有统一成标准Symbol，匹配率会很难看，而且别人复现你数据时也容易对不上。所以我现在拿到任何基因列表的第一件事，就是去HGNC网站上做一次批量标准化，或者在Ensembl BioMart里转换，这个习惯帮我省掉了至少一半的检查时间。

第5行“网络过密”也值得特意说一下。很多做药物靶点筛选的人喜欢追求“多条边”的富集感，觉得网络越密说明这批基因越相关。但网络过密往往意味着无法区分关键节点，所有基因互相连着，Hub分析等于失效。所以密度过大时，第一反应不应该是接受，而是检查是不是爬进了一堆低质量textmining边。

5.2 几个我的习惯性操作

除了那张速查表，还有几个习惯我每次都会执行。第一个是跑完网络后一定会回到原始基因列表，重新确认网络里出现的节点名和输入基因的对应关系。STRING会自动帮你做ID映射，但偶尔会遇到一个输入Symbol跳转成了另一个种属的同名同源基因，尤其是小鼠研究里，一个不小心的物种混淆会导致整张网络错得离谱。

第二个习惯是保存每一步的关键对象。R的RDS格式保存rds对象非常方便：

saveRDS(g_sub, "g_sub.rds") saveRDS(cl, "clusters.rds")

这样即使脚本中途出错，或者过了两周回来想继续分析，也不用从头再跑一遍。

第三个习惯是在汇报结果时，永远同时报告网络在0.400和0.700两个阈值下的节点数、边数、Hub基因列表。这不只是应对审稿人的稳健性检验，也是帮自己确认结论是否对参数敏感。如果两个阈值下关键Hub基因高度一致，那这个结果就很有说服力；如果完全变样，那就得思考这批基因之间的互作证据本身是否足够强。

6. 进阶扩展：当课题不止于一张网络图

6.1 把STRING结果接进富集分析

网络分析只是开始，真正发文章时，审稿人往往会问：这些关键Hub基因富集在哪些通路？STRING网页端自带的Analysis页面可以直接给出一批GO和KEGG富集结果，但如果你想在R里做更系统、可重复的富集分析，可以用clusterProfiler。

这种方式的操作逻辑是：先把网络中的核心基因列表提取出来，再用Ensembl或org.Hs.eg.db做ID转换，最后跑go富集和KEGG通路分析。R代码如下：

# 提取Hub基因（按度数取前30） hub_genes <- names(sort(degree(g_sub), decreasing = TRUE)[1:30]) writeLines(hub_genes, "hub_genes.txt")

拿到Hub基因列表后，你可以把它粘贴到clusterProfiler的enrichGO或enrichKEGG接口里，结合STRING的富集结果做交叉验证。如果网络分析提示某个模块以BRCA1/PALB2/BARD1为核心，而KEGG富集又显示同源重组通路显著富集，那这两个结果就互相印证了，结论会扎实很多。

6.2 用STRINGdb包在R里直接拉数据

除了网页端导出TSV，还有另一个路线值得知道：Bioconductor的STRINGdb包。它可以让你在R环境里直接调用STRING的API，查询互作、获取富集结果、甚至可以给基因打分。

# BiocManager::install("STRINGdb") library(STRINGdb) string_db <- STRINGdb$new(version = "12.0", species = 9606, score_threshold = 400)

这里要说明的是，STRINGdb的学习成本和维护状态都不如TSV+igraph这套组合来得稳定，而且网络请求受数据库服务器状态影响，跑大批量数据时速度不一定理想。如果你只是处理十几个到两三百个基因，我仍然建议网页导出TSV，简单可靠，运行过程中也能随时去网页上检查数据。STRINGdb更适合那些需要把STRING整合进自动化pipeline、每天跑不同基因列表的场景。

6.3 把方法论沉淀成自己的模板流程

最后分享一点方法论层面的心得。蛋白互作网络分析，本质上是一个从基因列表到关系洞察的加工过程。它的输入是一串基因名，输出却不是一张图，而是一套结构化的判断：哪些蛋白是核心枢纽，哪些模块对应哪些生物学功能，这些模块之间如何衔接。为了让结果可复现，我强烈建议把整个分析沉淀成一套固定的脚本模板。

我自己电脑上有一个叫做ppi_pipeline.R的脚本，开头是读TSV，中间是构建网络和输出统计指标，末尾是出图。每次拿到新的基因列表，只需要改文件路径和my_genes向量，运行一遍就能得到基础结果。这种模板化的习惯，比每次临时敲代码高效得多，也能避免重复踩坑。顺便说一句，经常有人问我为什么不用Python做这个。Python的networkx确实也能实现类似功能，但R环境里和DESeq2、clusterProfiler这些组学分析工具的衔接更顺畅，我个人觉得R在生物信息这个场景下更顺手。

如果你刚接触蛋白互作网络，或者正卡在某一步跑不通，建议你按这篇文章的流程走一遍，文件的读取、参数设置、代码运行，整个周期大概半小时。真正难的其实不是跑代码，而是跑完之后能不能把网络结果和你的生物学问题对应上。第一步先把自己手头那批基因列表扔进去跑通，再慢慢地去调整阈值、挖掘模块，你会发现这一套工具组合能做的事情远比想象中多。