一篇文獻解讀基於mRNA表達譜數據的PPI網路分析

對差異表達基因表達譜數據進行深度挖掘，看如何只做PPI（蛋白-蛋白相互作用）生信分析發個2-3分的文章。

文章標題及來源如下：

??這篇文章作者利用他們之前已經做了的食管癌細胞敲除基因後得到差異表達基因(DEGs)數據，只做PPI生信分析的發在了(IF:2.5)。

首先是PPI網路的構建：

??做出了三個網路圖，分為下調基因的網路圖，上調基因的網路圖，總差異表達基因的網路圖。並且只表示第一層相互作用的蛋白。單一節點和自己和自己相互作用的蛋白被移除。結果圖類似是這樣的：

由於敲除的基因是，其蛋白作為與其他DEGs的相互作用網路也被做了出來：

其次是網路拓普結構分析。

??使用NetworkAnalyzer進行拓普分析。由於如果某個網路節點度滿足冪律分布則表示這個網路屬於無尺度網路。PPI網路也遵循這一定律。為了驗證上面的三個ppi網路是否是無尺度網路，作者做了三個網路（下調的、上調的和總體的）的節點度分布：

??發現這三個網路都是滿足冪律分布的，這就表明PPI網路是無尺度的。為什麼要證明這個呢，其實這個和WGCNA分析的原理是一樣的，出發點就是在一個調控網路中起關鍵作用的節點是很少的，但存在這樣的起關鍵作用的節點。然後進行尋找這樣的hubs(中心樞紐) 。

??作者不光在HPRD中尋找蛋白相互作用關係，還使用了STRING資料庫的（這個庫里不光有實驗驗證的，還有生信預測的相互作用結果）。然後再作節點度分析，發現使用兩個資料庫都能得到相似的結果，下面是STRING資料庫的度分布結果：

使用兩個資料庫的數據來驗證，表明他們的DEGs PPI網路是可靠和穩定的。

接下來是PPI網路中蛋白的亞細胞定位。

??蛋白亞細胞定位的數據是從Uniprot中獲得的。然後每個蛋白的亞細胞定位數據導入作為一列，使用的插件 (http://www.pathogenomics.ca/cerebral/) 即可構建基於亞細胞定位的PPI網路，如下圖：

作者還做了只與 相互作用的蛋白的亞細胞定位PPI：

再將相互作用深度加深，獲得與相互作用、間接相互作用蛋白的相互作用網路：

並且在之前的研究中作者發現敲除後上調，然後他就尋找到的最短路徑，發現了9個這樣的路勁：

由於大部分信號轉導途徑是從基質到細胞核，所以根據上圖的亞細胞定位PPI的結果，就可以給出最有可能的四個途徑：

EZRACTBSMAD3ATF3;

EZRPRKAR2A SMAD3ATF3;

EZRCTNNB1NFKB1ATF3;

EZR WWOXTP53ATF3.

接下來構建功能注釋網路圖：

作者使用ClueGo插件來構建BP (Biological process) 網路。並且設定 閾值為0.3. 結果是這樣的：

最後使用隨機遊走方法來尋找重要的DEGs.

??通過有重啟的隨機遊走（）獲得與 關聯最緊密的。然後獲得了每個的可能性得分。得分越高表示蛋白與關聯越緊密。然後將得分導入作為列屬性作圖，點越大得分越高：

只顯示的RWR分析的網路：

喜歡這篇文章嗎？立刻分享出去讓更多人知道吧！