基因互作网络图实战指南：6种强效工具

引言Introduction

做基因互作网络图时，很多人卡在三点：数据怎么导入，网络怎么构建，结果怎么解释。如果工具选错，后续PPI、调控网络、富集分析都会走弯路。 本文结合实操流程，整理6种常用工具，帮助医学生、医生和科研人员快速搭建可分析、可发表的基因互作网络图。

1. 基因互作网络图的核心：先理解数据，再选工具

1.1 网络图不是“画图”，而是把分子关系结构化

基因互作网络图本质上是把节点和连线组织成图。节点可以是基因、蛋白、miRNA或药物。连线代表互作、调控或共表达关系。
对于科研分析来说，图的价值不在美观，而在于帮助你定位关键分子、模块和通路。

在实际使用中，常见网络包括蛋白-蛋白互作网络，基因调控网络，疾病或药物调控网络，以及基因共表达网络。不同问题要选不同网络。比如，研究蛋白功能，优先看PPI。研究转录调控，优先看TF-基因网络。

1.2 导入前先准备好三类信息

构建基因互作网络图前，至少要明确三件事。

1. 节点是什么。是基因，还是蛋白。
2. 连线来自哪里。是数据库预测，还是实验验证。
3. 目标是什么。是找Hub基因，还是看功能富集。

如果使用NetworkAnalyst，上传入口是“Network File”。支持的格式包括JSON graph format、Edge list、SIF format和GraphML。上传后一般需要点击Submit，再Proceed进入分析流程。
这一步决定了后续网络质量。

2. NetworkAnalyst：做基因互作网络图的首选平台

2.1 适合从原始数据快速进入分析

NetworkAnalyst提供较完整的网络分析和可视化模块。它支持蛋白-蛋白互作网络、基因调控网络、疾病/药物网络和共表达网络。对于需要从差异基因直接进入分析的人来说，它非常高效。
它的优势是把“建图”和“功能解释”连在一起。

在PPI分析中，NetworkAnalyst会把显著性基因映射到互作数据库，通常生成一个较大的子网络和多个较小子网络。下方子网络通常至少包含3个节点，可保存为SIF格式，便于后续导入Cytoscape继续分析。

2.2 PPI数据库选择要和研究问题匹配

NetworkAnalyst的通用PPI网络包含4个数据库。

• IMEx，适合免疫相关研究。
• STRING，来源于实验和计算预测，交互作用有置信度评分，范围为400到1000。
• HuRI，人类蛋白直接物理互作网络。
• Rolland，部分互作经过多重实验验证。

如果你强调证据强度，STRING里勾选Require experimental evidence更稳妥。
如果你研究组织特异性问题，可以用DifferentialNet提供的组织特异性PPI。它覆盖45种组织，并通过评分反映互作在不同组织中的特异性。评分越低，过滤越严格，网络越具有组织特异性。

2.3 功能分析和模块分析是它的加分项

NetworkAnalyst不只是建图，还能直接做功能解释。
可用的功能模块包括Gene Ontology、PANTHER、KEGG、Reactome和MSigDB富集分析。
它还提供模块浏览功能，支持InfoMap、WalkTrap和Label Propagation三种模块算法。

对于想找关键子网络的人，模块分析很重要。
模块P值反映模块内连接紧密性，但不能单独作为生物学意义判断依据。还要结合种子蛋白数量、平均fold change和富集结果一起看。

3. Cytoscape：最适合做精细化网络展示和Hub筛选

3.1 适合二次加工和论文级出图

Cytoscape是做基因互作网络图的经典工具。它更适合对已有网络进行精细化调整、布局优化、节点属性映射和最终出图。
如果你已经在数据库里拿到了SIF或网络表，Cytoscape可以把结果做得更清晰、更适合论文展示。

导入网络时，通常至少需要两列。第一列是源节点，第二列是靶节点。同一行代表存在互作。
如果还要标记上调、下调或表达量，建议再导入属性表。

3.2 两个插件最常用：MCODE和CytoHubba

Cytoscape筛Hub基因常用两种方法。

• MCODE：适合从网络中找高密度模块。
• CytoHubba：提供12种算法，适合筛选高连接度节点。

实际流程通常是先用MCODE找模块，再用CytoHubba筛Hub。
这样能把“局部高密度”和“全局高连接”结合起来。
对于差异基因网络，这种组合更稳。

3.3 适合最终呈现关键节点关系

Cytoscape的强项不仅是筛选，还在于可视化。
你可以根据节点属性调整颜色、大小和边的样式，也可以按布局优化网络结构。
对于医学生和科研人员来说，这一步能显著提升图的可读性和发表质量。

4. 其他4种强效工具：按场景补足分析链条

4.1 适合做互作热图和富集网络的模块

除了核心网络工具，NetworkAnalyst还提供多种可视化分析。
包括富集网络（ORA）、互作热图（ORA）、富集网络（GSEA）、互作火山图、互作热图（GSEA）、交互式PCA、交互式t-SNE、Venn图和弦式图。
这些图不一定替代网络图，但能帮助你从不同维度解释基因集。

如果你的目标是比较组间差异，火山图和热图很有用。
如果你想看基因集合重叠，Venn图更直接。
如果你要展示多个通路或基因之间的联系，弦式图也很实用。

4.2 富集分析要注意基因范围选择

在热图或基因列表视图里做富集分析时，通常可以选Overview基因或Focus view基因。
数据库可选KEGG、GO等。
对于差异基因数量较多的情况，常用adj.P，也就是校正后的P值。若差异基因数量少，也可结合P值判断。

这一步的关键不是“跑结果”，而是保证解释逻辑一致。

4.3 Venn图和火山图更适合辅助展示

NetworkAnalyst可以绘制火山图和Venn图，但如果需要更精致的发表级图形，通常还可以借助Prism或其他在线作图工具。
这类图的作用是辅助说明筛选过程和基因交集，而不是取代网络分析本身。
先有清晰的网络，再有漂亮的图，这是更稳妥的顺序。

5. 实战流程：从数据到基因互作网络图的推荐路径

5.1 推荐一个更高效的分析顺序

如果你想提高效率，可以按下面顺序做。

1. 整理差异基因列表。
2. 在NetworkAnalyst中选择合适的网络类型。
3. 生成PPI或调控网络。
4. 做功能富集和模块分析。
5. 导出SIF到Cytoscape。
6. 用MCODE和CytoHubba筛Hub基因。
7. 最后优化布局和配色。

这条路径兼顾速度、解释力和出图质量。

5.2 不同研究问题对应不同网络

如果你研究炎症或免疫，优先考虑IMEx或组织特异性PPI。
如果你研究信号转导，STRING和SIGNOR 2.0更常用。
如果你研究miRNA调控，可选miRTarBase、TarBase或miRecords。
如果你研究转录因子调控，可选ENCODE、JASPAR或ChEA。
如果你关注疾病和药物关联，可查看DrugBank或DisGeNET相关网络。

选对数据库，往往比后期补救更重要。

总结Conclusion

基因互作网络图不是单纯的制图任务，而是从分子关系中提取机制线索的分析过程。对医学生、医生和科研人员来说，最有效的做法是先选对数据库，再用合适平台完成建图、模块分析和Hub筛选。NetworkAnalyst适合前期分析，Cytoscape适合精修和发表级展示。 如果你希望更快搭建规范、可解释的基因互作网络图，建议直接使用解螺旋的数据库教程和实操资源，少走弯路，把时间留给真正有价值的生物学问题。