PPI网络构建步骤实战：如何快速做出高质量网络？

引言Introduction

PPI网络构建步骤看似简单，真正难点在于数据整理、参数选择和图形呈现。很多初学者能跑出网络，却做不出可发表的高质量图。本文用STRING和Cytoscape的标准流程，拆解PPI网络构建步骤，帮助医学生、医生和科研人员少走弯路。

1. 明确PPI网络的输入数据

1.1 先准备差异基因列表

PPI网络构建步骤的起点，不是直接开软件，而是先整理输入数据。常见做法是从差异分析或整合分析结果中，筛选出显著基因，再提取SYMBOL列用于后续分析。

核心原则是，输入必须干净、统一、可追溯。
如果基因命名混乱，后面的STRING检索和Cytoscape导入都会出问题。

在实操中，建议先确认三点：

• 基因符号是否标准化。
• 是否已经完成显著性筛选。
• 是否保留了原始结果文件，方便回溯。

1.2 网络图至少要有两列

在Cytoscape里，任何复杂网络都可以看成节点和边的组合。
因此，基础数据至少要包含两列。

• 第一列是源节点，常写作node1。
• 第二列是靶节点，常写作node2。

同一行代表两个蛋白之间存在互作关系。
如果还要叠加表达量、上调下调、Combined Score等信息，可以额外准备属性表。

1.3 先想清楚你要展示什么

PPI网络构建步骤并不只是“画图”。
你需要先明确目的。

常见目标有三类：

• 找核心基因。
• 找关键模块。
• 给文章中的机制部分提供支撑。

如果目标是筛Hub基因，后面就要重点考虑Degree等网络指标。
如果目标是模块筛选，就要提前准备MCODE分析思路。

2. 用STRING快速构建PPI网络

2.1 STRING是最常用的起点

在现有流程中，STRING是构建PPI网络最常用、也最方便的数据库之一。
它适合先做初筛，再导出结果给Cytoscape二次美化。

标准做法是：

1. 打开STRING网站。
2. 进入Multiple proteins分析页面。
3. 粘贴基因列表。
4. 物种选择人。
5. 提交后生成互作网络。

这一步的关键不是“跑出来”，而是“跑得准”。

2.2 参数设置决定网络质量

在PPI网络构建步骤中，参数设置很重要。
知识库中的常用做法是设置 confidence > 0.4。

这个阈值的意义在于：

• 太低，网络会过于松散。
• 太高，可能丢失部分潜在互作。

0.4通常可作为基础分析的起点。
后续是否提高阈值，要根据研究问题和图形稠密度决定。

2.3 处理孤立节点，让图更干净

STRING默认生成的网络中，常会出现一些游离点。
这些点不一定有助于文章表达，反而会让图面变乱。

可根据需要：

• 隐藏未连接节点。
• 去除离散点。
• 再更新网络视图。

这样做的目的，是提升可读性，而不是改变核心生物学结论。

2.4 导出高清图和文本结果

完成基础网络后，建议导出两类文件。

• 高清位图，用于文章展示。
• text output表格，用于导入Cytoscape。

这一步很重要。
因为STRING负责“快速构建”，Cytoscape负责“深度优化”。
两者配合，通常更适合发表级图表。

3. 用Cytoscape完成网络美化与核心基因筛选

3.1 导入STRING结果文件

Cytoscape是PPI网络构建步骤里最重要的美化和分析工具。
它能把STRING导出的互作表格重新构建成更适合论文的网络图。

操作顺序很清晰：

1. 打开Cytoscape。
2. 选择File。
3. 点击Import。
4. 选择Table from File或Network from File。
5. 导入STRING下载的tsv文件。

导入时要确认：

• node1和node2对应正确。
• 节点颜色设置无误。
• 网络结构已经完整生成。

3.2 用Style统一视觉规则

初步网络生成后，不要急着导出。
先进入Style进行美化。

常见调整包括：

• 节点大小。
• 节点颜色。
• 连线粗细。
• 标签显示方式。

网络图的目标不是花哨，而是让重点一眼可见。
如果表达数据更重要，可以让节点颜色映射表达量。
如果互作强度更重要，可以让线条粗细映射Combined Score。

3.3 用NetworkAnalyzer读取网络指标

在Cytoscape中，可通过NetworkAnalyzer进行网络分析。
知识库中强调，常用的可视化逻辑包括：

• Degree越大，节点越大、越亮。
• Degree越小，节点越小、越暗。
• Combined_Score越大，连线越粗。
• Combined_Score越小，连线越细。

这类规则能把“统计意义”转化为“视觉重点”。
对读者来说，核心基因会更直观。

3.4 用圆形布局突出Hub基因

完成参数设定后，可使用Attribute circle layout-degree。
也就是按Degree值排列成圆圈。

这样做的好处很直接：

• 最高连接度的基因更容易被识别。
• 网络层次更清楚。
• 文章中的图注更容易写。

在课程案例中，权重最大的基因是MYC。
这说明网络的中心性特征可以通过布局和参数设置更清晰地呈现。

4. 用MCODE筛选关键模块

4.1 关键模块比单个节点更有解释力

PPI网络构建步骤不仅要找单个Hub基因，也可以找功能模块。
在疾病机制研究中，模块往往比单个节点更接近真实生物过程。

MCODE插件就是常用工具。
它可以在当前网络中识别高密度连接区域。

4.2 标准筛选流程

知识库中的常用流程是：

1. 安装MCODE插件。
2. 打开Analyze Current Network。
3. 查看评分排序结果。
4. 选择评分靠前的模块。
5. 点击Create Cluster Network。

这样得到的模块图，往往更适合放进结果部分。
它可以帮助你从“全局网络”过渡到“局部机制”。

4.3 什么时候适合用模块分析

如果你的研究已经有明确方向，模块分析会更有价值。
例如：

• 炎症相关基因簇。
• 代谢相关基因簇。
• 细胞周期相关基因簇。

模块的价值在于，它能把分散的互作关系，收束成可解释的生物学单元。

5. 提高PPI网络质量的实战建议

5.1 先标准化，再可视化

很多低质量网络，不是因为数据库不行，而是前处理不到位。
所以建议按这个顺序做：

1. 标准化基因名。
2. 筛选显著基因。
3. STRING构网。
4. Cytoscape美化。
5. MCODE或Hub分析。

顺序错了，后面再怎么修图也难救。

5.2 保持图的简洁度

发表级PPI图有一个共同点。
就是重点突出，信息不过载。

可控制以下内容：

• 不显示无意义孤点。
• 不堆叠过多标签。
• 不滥用颜色。
• 保留最能说明问题的节点和模块。

5.3 让图服务于结论

PPI网络构建步骤的最终目标，不是做出一张“复杂的图”，而是支持论文结论。
因此，每张图都要回答问题：

• 哪些基因处于核心位置。
• 哪些模块可能参与疾病过程。
• 哪些节点最值得后续验证。

如果图不能回答问题，它就只是装饰。

总结Conclusion

PPI网络构建步骤的核心可以概括为三句话。
先整理好输入基因，再用STRING快速构网，最后用Cytoscape做美化、分析和Hub筛选。
高质量PPI图的关键，不在于软件本身，而在于数据规范、参数选择和图形表达。

如果你正在写论文、做课题或准备结果图，可以直接按本文流程执行。
想进一步节省时间，提升图表规范性，也可以结合解螺旋的产品与课程资源，把PPI网络构建步骤做得更快、更稳、更接近发表标准。