R 语言PPI网络

最新推荐文章于 2024-10-16 16:42:38 发布

Mrrunsen

最新推荐文章于 2024-10-16 16:42:38 发布

阅读量2.3k

点赞数

分类专栏： R语言大学作业文章标签： r语言

本文链接：https://blog.csdn.net/Mrrunsen/article/details/122794461

版权

R语言大学作业专栏收录该内容

1436 篇文章 ¥9.90 ¥99.00

订阅专栏

超级会员免费看

本文介绍如何使用R语言的igraph包在内部绘制PPI网络，尤其适用于基因数量较少的情况。通过处理从STRING网站下载的数据，可以避免使用Cytoscape时的手动操作。当基因数量过多导致重叠时，可能需要导出到Cytoscape进行调整。

摘要生成于 C知道，由 DeepSeek-R1 满血版支持，前往体验 >

一般来说网络图都是R语言导出数据放入cytoscape里面绘制，今天想试试在R语言内部去画，确实有相应的R包(igraph)可以做，不是专门针对PPI网络来的，自己组织一下数据可以画。

尤其是基因数量比较少的情况下，还是很好用的，省掉手动点鼠标的重复操作。要是基因数量多了，可能会有基因重叠，得把图导出去修改，就不如cytoscape里直接拖动方便了。

1.输入数据

string_interactions.tsv是从string网页下载的PPI网络输出结果文件。图上基因的颜色是按照上下调来分配的，在这个例子里基因上下调信息是编的，实际应用时可以从差异分析结果中得到。

2.样图

3.代码如下

library(igraph)
links= read.delim("string_interactions.tsv")
network <- graph_from_data_frame(d=links[,c(1:2,13)], directed=F) 
deg <- degree(network, mode="all")

nodes <- data.frame(
    name

了解本专栏

订阅专栏解锁全文

超级会员免费看

确定要放弃本次机会？

福利倒计时

: :

立减 ¥

普通VIP年卡可用

立即使用

Mrrunsen

关注关注

0
点赞
踩
6

收藏

觉得还不错? 一键收藏
1
评论
分享

复制链接

分享到 QQ

分享到新浪微博

扫一扫
打赏
打赏
打赏举报

举报

专栏目录

订阅专栏

科研绘图系列：R语言基因PPI互作网络图（PPI network plot ）

专注生信领域

08-30

1175

科研绘图系列：R语言基因PPI互作网络图（PPI network plot ）

用R语言构建蛋白质相互作用网络

TechChamp的博客

08-29

1591

通过使用R中的igraph包，我们可以方便地进行PPI网络的构建、可视化和分析。一旦我们构建了PPI网络并进行了可视化，我们就可以进行更深入的分析。上述代码将绘制一个简单的PPI网络图，其中节点表示蛋白质，边表示它们之间的相互作用关系。节点的标签将显示蛋白质的名称，节点的大小和颜色可以根据需要进行调整。假设我们已经有了一个名为"ppi_data.csv"的边列表文件，其中包含了蛋白质相互作用的信息。通过使用这些函数和算法，我们可以对PPI网络进行更详细的分析，并获得有关蛋白质相互作用网络特征的信息。

1 条评论您还未登录，请先登录后发表或查看评论

PPI-network-analysis:PPI网络的聚类和集中度分析

03-07

Louvain聚类和蛋白质间相互作用（PPI）网络的集中度分析该存储库包含python脚本从PPI网络中检测具有统计意义的重要社区。进行集中度分析要求 python 3.0 网络x 2.4 qstest 1.1.0 熊猫1.0.4 用法用于重大社区发现 python python/find__significant_module.py -n example/example_network.txt -g example/example_input.txt -o output_dir 有关详细信息： python python/find__significant_module.py -h 用于中心性分析 python python/perform_centrality_analysis.py -n example/example_network.txt -g exampl

R高级绘图 | 不用 Cytoscape 也能绘制精美的蛋白互作（PPI）网络图啦！| STRING 网站 + R 代码

weixin_43843918的博客

09-19

3435

在进行 PPI 网络图绘制时，我们通常会将 **STRING 网站与 Cytoscape 软件**结合使用。但是经常有小伙伴们苦恼，不太会用 Cytoscape 软件进行处理可咋整呐！

用R的igraph包来画蛋白质互作网络图 | PPI | protein protein interaction network | Cytoscape...

weixin_34352449的博客

03-22

7367

igraph语法简单，画图快速。 Cytoscape专业，个性定制。最终效果图：当然也可以用Cytoscape来画。参考：Network visualization with R Cytoscape http://www.360doc.com/content/17/0305/22/19913717_634279918.shtml ...

PPI网络的构建与美化(String+Cytoscape)

Dzfly

01-07

1万+

PPI网络的构建与美化(String+Cytoscape)

生物信息学入门富集分析与蛋白质互作用网络（PPI）的可视化 Cystocape入门指南

无名岛

03-01

5万+

网络图是生物信息学中常用的显示不同节点之间关联方向与关联程度的可视化方法。在富集分析中，网络图常被用于表示功能与估计到该功能的基因的联系。在蛋白质互作用网络中，网络图常用于表示编码基因之间的互作用类型与作用强度，基于这些信息，还可以通过某一节点与其他节点的连接数量来判断该节点在整个网络中的贡献度（degree）。绘制网络图常使用cystoscape软件，通过输入符合规范的数据，调整合适的参数，...

STRING数据库的蛋白质相互作用（PPI）网络分析

热门推荐

庐州月光的博客

11-06

6万+

欢迎关注微信公众号《生信修炼手册》! 研究蛋白之间的相互作用网络，有助于挖掘核心的调控基因，目前已经有很多的蛋白质相互作用的数据库，而string绝对是其中覆盖的物种最多，相互作用信息做大的一个，网址如下 https://string-db.org/ 该数据库的最新版本为version 10.5, 更新于2017年5月14号，存储了2031个物种，9643763种蛋白，共1380838440个...

文章复现 | 差异分析和PPI网络构建

BioinfoDu

02-18

1228

小杜的猜想是标准化的水段不同的原因吧，或是其他的原因。此外，惊奇的发现发表医学类的文章在附件中都不提供相关的信息文件，如DEG数据、GO、KEGG富集信息，或是其他相关的文件。，主要发表或收录生物信息学的教程，以及基于R的分析和可视化（包括数据分析，图形绘制等）；对下载的数据集进行分析可获得，前175列数据作为处理组，后99列数据作为对照组。作者这里就只是简单的分类而已，若细致的分，这里有些数据是可以不被使用的。绘制热图此方法仅是其中一种，大家可以使用前期的教程进行绘制更精美的图形。

差异表达分析和PPI网络图构建

BioinfoDu

02-18

1121

在原文中，作者获得285个DEG，在此推文中共获得601个DEG。小杜的猜想是标准化的水段不同的原因吧，或是其他的原因。此外，惊奇的发现发表医学类的文章在附件中都不提供相关的信息文件，如DEG数据、GO、KEGG富集信息，或是其他相关的文件。唉！！！难道是怕别人复现结果不一致？仅仅提供对读者不关心的文件信息，我们猜想，这是不是期刊要求必须有附件，所以才产生两个文件呢？？？？20240218若我们的分享对你有用，希望您可以，这是对小杜最大的支持。

蛋白质(PPI)网络比对算法相关资料的整理

Ancient_stars的博客

07-01

547

对蛋白质对比网络的算法论文资料的整理。

PPI网络比对文章汇总

weixin_40663313的博客

09-28

730

一、已读文章两个网络的： HubAlign：采用重要性节点“Importence”，根据hub节点和瓶颈节点，采用最小度启发式算法进行比对。拓扑较好，生物指标较差。（BioInforMatics）2014 论文链接：HubAlign: an accurate and efficient method for global alignment of protein–protein interaction networks | Bioinformatics | Oxford Academic 代

【通俗理解】生物信息学数据分析——火山图、富集分析与PPI网络构建

神经美学_茂森的博客

08-26

2378

火山图 #富集分析 #PPI网络 #R语言 #生物信息学。

PPI数据集示例项目学习图神经网络

KPer_Yang的博客

01-31

3795

PPI数据集示例项目学习图神经网络

【S7-200】 PPI协议与PPI多主站网络的实现

追求。

08-06

7159

200 PLC PPI协议多主站网络问题简述一般来说PPI网络的典型拓扑为一主一从，如果出现了多个主站，即为PPI多主站网络。例如在一个典型的PPI网络中，主站为HMI，从站为PLC，现在希望通过Micro/WIN对PLC程序运行状况进行监视，此即为PPI多主站网络：要实现Micro/WIN的多主站编程，只使用普通的PC/PPI电缆是不够的，必须使用智能多主站电缆（当然也可以使用CP卡，但是比较麻烦）并配合Micro/WIN V3.2 SP4以上版本，这种电缆可以在网络上传递令牌，因而自动支持多

跟着Cell学作图|9.PPI分析(GeNets数据库)

weixin_45822007的博客

05-04

5725

9.PPI分析(GeNets数据库)“实践是检验真理的唯一标准。”“复现是学习R语言的最好办法。”DOI: 10.1016/j.cell.2020.05.032这篇2020年发表在cell...

R语言EG(Engle-Granger)两步法协整检验、RESET、格兰杰因果检验、VAR模型分析CPI和PPI时间序列关系...

拓端研究室TRL

01-03

1256

全文链接：http://tecdat.cn/?p=31108作为衡量通货膨胀的基本指标，消费者价格指数CPI和生产者价格指数PPI的作用关系与传导机制一直是宏观经济研究的核心问题。（点击文末“阅读原文”获取完整代码数据）。对此问题的研究显然具有重要的学术价值与现实意义:当PPI先行地引导着CPI的变动，则意味着上游价格对下游价格具有正向传导效应，物价可能因供给因素的冲击而上升，并由此引发“成本推动...

R语言网络分析2：graph函数和应用

R语言与生物信息学

02-22

5591

产生网络自定义 BioC 中用得最多的网络类型可能是 graphNEL 类。使用 graphNEL 类的同名函数可以产生自定义网络： library(graph) str(graphNEL) #> function (nodes = character(), edgeL = list(), edgemode = "undirected") nds <- letters[1:3] gx1 <- graphNEL(nodes = nds, edgemode =

R语言ppi共表达网络求fc

06-09

在R语言中，可以使用WGCNA包来构建基因共表达网络，并计算基因的FC值。具体步骤如下： 1. 安装WGCNA包 ```R install.packages("WGCNA") ``` 2. 导入表达矩阵数据 ```R library(WGCNA) # 假设exp_matrix为基因表达矩阵，行为基因，列为样本 datExpr <- as.data.frame(exp_matrix) ``` 3. 计算基因共表达模块 ```R # 计算基因共表达网络，corType可选pearson、spearman等 powers <- c(c(1:10), seq(from=12,to=20,by=2)) sft <- pickSoftThreshold(datExpr, powerVector=powers, verbose=5) # 根据选定的power值构建基因共表达模块 net <- blockwiseModules(datExpr, power=sft$powerEstimate, TOMType="unsigned", mergeCutHeight=0.25, minModuleSize=30, reassignThreshold=0, networkType="signed", corType="pearson", maxBlockSize=20000, verbose=3) ``` 4. 计算模块内基因的平均表达量 ```R # 计算每个模块的平均表达量 moduleColors <- net$colors MEs <- moduleEigengenes(datExpr, moduleColors)$eigengenes ``` 5. 计算基因的FC值 ```R # 假设group为样本分组信息 group <- factor(c(rep("group1", ncol(exp_matrix1)), rep("group2", ncol(exp_matrix2)))) # 计算每个基因的FC值 FC <- log2(apply(exp_matrix2, 1, mean) / apply(exp_matrix1, 1, mean)) # 将FC值和模块内基因的平均表达量整合到一个数据框中 geneInfo <- data.frame(FC, MEs[, moduleColors]) ``` 6. 可以根据需要对基因和模块进行进一步分析，例如基因和模块的相关性分析等。需要注意的是，FC的计算方式可能会因数据类型、数据预处理等因素而有所不同，因此需要根据具体情况进行调整。同时，基因共表达网络的构建也需要根据数据特点进行优化。