Protein–protein interaction (PPI) networks 指的是 蛋白质之间相互作用的网络，它在生物信息学和系统生物学中具有重要意义。下面是简明概述：

---

✅ 定义：

PPI networks 是一种图模型，用于表示和研究 蛋白质之间物理或功能上的相互作用关系。
在该网络中：

• 节点（Nodes） 表示蛋白质；

• 边（Edges） 表示两个蛋白质之间的相互作用（可能是实验验证的，也可能是预测得到的）。

---

✅ 应用场景：

• 疾病机制研究：找出疾病相关蛋白及其交互伙伴；

• 药物靶点发现：识别关键节点或 hub 蛋白；

• 功能模块挖掘：识别功能相关的蛋白群体（如通路、复合体）；

• 蛋白质功能预测：通过相互作用推测未知蛋白功能。

---

✅ 数据来源：

常用的 PPI 数据库包括：

• STRING（含预测+实验数据）

• BioGRID

• IntAct

• DIP

• HPRD

---

✅ 网络分析方法：

常见分析技术包括：

• 网络拓扑分析（如度、介数中心性）

• 社区发现（模块划分）

• 图卷积网络（GCN）等深度学习方法

• 网络表示学习（如 Node2Vec、GraphSAGE）

---

📌 举例：

如果两个蛋白质 A 和 B 在实验中发现它们可以形成复合体，那么它们之间在 PPI 网络中就有一条边连接。

在单细胞转录组（scRNA-seq）分析中，获取与数据集相关的 PPI（蛋白–蛋白相互作用）网络，通常有以下几种流程：

---

✅ 场景：已获得 scRNA-seq 表达矩阵 → 想提取相关的 PPI 网络

---

📌 步骤一：提取目标基因列表

从 scRNA 数据中获取用于构建 PPI 的基因（或蛋白）集，常见方法有：

方法	说明
🧬 Highly Variable Genes (HVGs)	提取变异度最大的前 1000–2000 个基因
🎯 Differentially Expressed Genes (DEGs)	各类群之间的差异表达基因（例如不同细胞类型、不同状态）
📌 Marker genes	聚类后提取各簇特异性 marker 基因

---

📌 步骤二：基因名转换（可选）

如果你提取的是 Ensembl ID 或基因名称（如 ENSG...），需要转换为 标准蛋白名称（如 UniProt symbol、Gene Symbol），以便后续对接数据库。

工具推荐：

• biomaRt（R包）

• mygene（Python）

• UniProt官网批量转换：https://www.uniprot.org/uploadlists/

---

📌 步骤三：查询 PPI 网络

根据目标基因列表去数据库中提取对应的 PPI 子网。

✅ 常用 PPI 数据库及使用方式：

数据库	说明	接口/工具
STRING（推荐）	含实验、预测、文献推理的 PPI，大量已标准化评分	官网、R包 STRINGdb、Python API
BioGRID	实验支持数据丰富	官网、FTP下载
IntAct / MINT	文献手工注释，质量高	官网查询、PSICQUIC接口
HPRD	人类蛋白专属，整合全面	官网下载

---

✅ 示例：使用 STRING 获取 PPI 子网络（以 R 为例）

library(STRINGdb)
string_db <- STRINGdb$new(version="11.5", species=9606, score_threshold=400)
mapped_genes <- string_db$map(data.frame(gene=gene_list), "gene", removeUnmappedRows=TRUE)
ppi_network <- string_db$get_interactions(mapped_genes$STRING_id)

---

📊 步骤四：构建子网络 / 可视化

将提取到的 PPI 网络：

• 转为图（Graph）结构：使用 igraph / networkx / Cytoscape

• 可视化核心网络或 hub gene

• 用作后续的图学习（如 GCN、GraphSAGE）

---

✅ 总结流程：

scRNA-seq 表达矩阵
        ↓
选取目标基因（DEGs / HVGs / markers）
        ↓
基因名转换为标准蛋白名（如Gene Symbol）
        ↓
从 STRING / BioGRID 提取对应的 PPI 子网络
        ↓
构建图结构 → 用于分析 / 图神经网络建模

这是一个示意性的蛋白–蛋白相互作用（PPI）网络图，展示了从单细胞转录组（scRNA-seq）数据中筛选出的关键基因之间的相互作用关系。

• 节点代表蛋白（如 TP53、BCL2 等）

• 边代表蛋白之间的已知/预测相互作用

• 可用于下游图分析，如识别hub蛋白、构建GNN模型等