String Ppi Database

何时使用

当你需要从 STRING（5900 万+ 蛋白、200 亿+ 互作、5000+ 物种）检索蛋白-蛋白互作（PPI）数据时使用本技能。典型场景：

• 检索单个或多个蛋白的互作网络（功能型 functional / 物理型 physical）
• 对蛋白列表做功能富集（GO、KEGG、Pfam、InterPro、UniProt Keywords）
• 从种子蛋白发现互作伙伴、扩展网络
• 检验一组蛋白是否构成显著富集的功能模块（PPI enrichment）
• 生成按证据着色的网络图（PNG/SVG）
• 分析跨物种同源/蛋白家族关系、识别 hub 蛋白与连通模式

不该用本技能的边界：

• 化合物-蛋白生物活性互作（IC50/Ki，化学小分子）→ 用 chembl-bioactivity-database
• 以通路为中心的查询（通路成员、通路图、ID 转换）→ 用 kegg-database
• 拿到网络后做图论分析/中心性/社区发现/可视化布局 → 用 networkx-graph-analysis

步骤 / 指令

1. 准备环境：pip install requests（唯一必需），表格分析另装 pandas。无需 API key。无硬性速率限制，但每次调用间 time.sleep(1)；蛋白组规模分析改用 STRING 批量下载（https://string-db.org/cgi/download），勿用 API 循环。

2. 统一调用器（所有端点共用，fmt 切换输出格式）：

   import requests, time
   STRING_API = "https://string-db.org/api"
   def string_query(endpoint, params, fmt="tsv"):
       url = f"{STRING_API}/{fmt}/{endpoint}"
       params.setdefault("caller_identity", "everything_skills")
       r = requests.get(url, params=params); r.raise_for_status()
       time.sleep(1)            # 限速
       return r.text
   

3. 先映射标识符（强烈建议第一步）：用 get_string_ids 把基因名映射成 STRING ID。STRING ID 格式 {taxonId}.{ensemblProteinId}（如人类 TP53 = 9606.ENSP00000269305），后续查询用 ID 更快、更准。

4. 选端点 + 拼参数。核心端点（endpoint 取值）：

   端点	作用	关键参数
   get_string_ids	基因名→STRING ID	limit(每项匹配数)、echo_query
   network	取互作网络（边表）	required_score、network_type、add_nodes
   interaction_partners	某蛋白的 top 互作伙伴	limit、required_score
   enrichment	GO/KEGG/Pfam 富集（Fisher + BH-FDR）	—
   ppi_enrichment	检验是否构成显著网络	required_score（取 fmt="json"）
   homology	蛋白间同源性打分	—
   version	STRING 版本（写方法学用）	—
   image/network	网络图（二进制 PNG/SVG，非文本）	network_flavor、required_score

5. 必带 species（NCBI taxon ID）：9606 人、10090 小鼠、10116 大鼠、7227 果蝇、6239 线虫、4932 酵母、3702 拟南芥、7955 斑马鱼、511145 大肠杆菌。>10 个蛋白的网络查询缺 species 会报错，建议任何查询都显式带上。

6. 选置信度阈值 required_score（0-1000，综合 7 个证据通道）：150 探索性、400 标准（默认）、700 高置信（发表常用）、900 极严。

7. 选网络类型 network_type：functional（默认，所有证据，适合通路/富集/系统生物学）或 physical（仅直接结合证据，适合结构/复合物分析）。

8. 解析输出：TSV 用 pd.read_csv(io.StringIO(text), sep='\t')；JSON 用 json.loads；图像端点返回二进制，用 requests.get(...).content 写文件。identifiers 多蛋白用 %0d 连接（URL）或 \n（POST body）。

示例

快速上手 — 映射 ID + 取网络：

import requests, time, io, json, pandas as pd
STRING_API = "https://string-db.org/api"
def string_query(endpoint, params, fmt="tsv"):
    r = requests.get(f"{STRING_API}/{fmt}/{endpoint}",
        params={**params, "caller_identity": "everything_skills"})
    r.raise_for_status(); time.sleep(1); return r.text

# 1) 基因名 → STRING ID（务必先做）
ids = string_query("get_string_ids",
    {"identifiers": "TP53\nBRCA1\nEGFR", "species": 9606, "echo_query": 1})
df = pd.read_csv(io.StringIO(ids), sep='\t')
print(dict(zip(df['queryItem'], df['stringId'])))  # {'TP53':'9606.ENSP00000269305', ...}

# 2) 取互作网络（required_score=400 标准阈值）
net = string_query("network", {
    "identifiers": "TP53%0dBRCA1%0dMDM2%0dATM%0dCHEK2",
    "species": 9606, "required_score": 400, "network_type": "functional"})
ndf = pd.read_csv(io.StringIO(net), sep='\t')
print(f"{len(ndf)} 条互作")
print(ndf[['preferredName_A', 'preferredName_B', 'score']].head())

互作伙伴 + 网络扩展：

# 某蛋白 top-20 互作伙伴（高置信）
p = string_query("interaction_partners",
    {"identifiers": "TP53", "species": 9606, "limit": 20, "required_score": 700})
# 从种子蛋白扩展：add_nodes 拉入 10 个最相连的蛋白
exp = string_query("network",
    {"identifiers": "TP53", "species": 9606, "add_nodes": 10, "required_score": 700})

功能富集（GO/KEGG/Pfam，Fisher + BH-FDR）：

en = string_query("enrichment", {
    "identifiers": "TP53%0dMDM2%0dATM%0dCHEK2%0dBRCA1%0dATR%0dTP73", "species": 9606})
edf = pd.read_csv(io.StringIO(en), sep='\t')          # 列：category, term, description, p_value, fdr ...
sig = edf[edf['fdr'] < 0.05]
for cat, g in sig.groupby('category'):                # 按 GO/KEGG/Pfam 分组
    print(cat, len(g), g.iloc[0]['description'])

PPI 富集检验（是否构成显著功能模块）：

d = json.loads(string_query("ppi_enrichment",
    {"identifiers": "TP53%0dMDM2%0dATM%0dCHEK2%0dBRCA1", "species": 9606,
     "required_score": 400}, fmt="json"))
print(d['number_of_edges'], d['expected_number_of_edges'], d['p_value'])
# p < 0.05 → 这组蛋白的互作显著多于随机，构成富集网络

导出网络图（二进制 PNG）：

img = requests.get(f"{STRING_API}/image/network", params={
    "identifiers": "TP53%0dMDM2%0dATM%0dCHEK2%0dBRCA1", "species": 9606,
    "required_score": 700, "network_flavor": "evidence",   # evidence|confidence|actions
    "caller_identity": "everything_skills"}).content
open("network.png", "wb").write(img)

跨物种比较（注意同源基因符号不同）：

for sp, name, gene in [(9606, "Human", "TP53"), (10090, "Mouse", "Trp53")]:
    n = string_query("network",
        {"identifiers": gene, "species": sp, "required_score": 700, "add_nodes": 5})
    print(name, gene, len(pd.read_csv(io.StringIO(n), sep='\t')), "条互作")

注意事项

• 先映射 ID：任何操作前用 get_string_ids，STRING ID（9606.ENSP...）比基因名更快更准，也能提前发现拼写/物种错误。
• 每次调用限速 1 秒：time.sleep(1)，避免被限流；批量请求按 50-100 蛋白分批，蛋白组规模改用批量下载。
• 必带 species：>10 蛋白网络缺 species 直接报 "Species required"；任何查询都建议显式带上。
• 空网络 / 查不到蛋白：多半是阈值太严或物种/拼写错——先降 required_score、用 get_string_ids 核对映射、确认物种 taxon ID。
• 富集需要 ≥5 个蛋白才有意义，蛋白太少返回空结果。
• 图像端点是二进制：/image/network 用 .content 写文件；当作文本解析会乱码。
• 400 Bad Request：多蛋白须用 %0d（URL）或 \n（POST）分隔并 URL 编码特殊字符。
• network_type 选错会得到不同结果：通路/富集用 functional，结构/复合物用 physical。
• 可复现性：方法学里写明 STRING 版本——string_query("version", {})，记成 "STRING vX, accessed "。
• 跨物种同源基因符号不同：人 TP53 ↔ 鼠 Trp53，比较前先各自映射。

互见

• uniprot-protein-database — 取蛋白序列/功能注释，补全 STRING 节点的蛋白信息
• kegg-database — 以通路为中心的查询，与 STRING 富集互补
• gene-set-enrichment-analysis — 更通用的 ORA/GSEA 富集（自定义基因集、排序表）
• networkx-graph-analysis — 对 STRING 网络做中心性、社区发现、布局与可视化
• opentargets-database — 把蛋白互作模块关联到疾病-靶点证据
• chembl-bioactivity-database — 化合物-靶点生物活性（化学互作，本技能不覆盖）
• alphafold-database-access — 对互作蛋白取三维结构

参考：STRING 官网 https://string-db.org ｜ API 文档 https://string-db.org/help/api/ ｜ 批量下载 https://string-db.org/cgi/download ｜ 物种全表 https://string-db.org/cgi/input?input_page_active_form=organisms

采编自 jaechang-hits/SciAgent-Skills（CC-BY-4.0）。