string-database-ppi

STRING 数据库——蛋白质-蛋白质相互作用

概述

通过 REST API 查询 STRING 蛋白质-蛋白质相互作用数据库（5900 万种蛋白质、200 亿余种相互作用、5000 余个物种）。涵盖网络检索、功能富集分析（GO、KEGG、Pfam）、相互作用伙伴发现、PPI 富集检验、网络可视化和同源性分析。

适用场景

• 检索一个或多个蛋白质的蛋白质-蛋白质相互作用网络
• 对蛋白质列表进行功能富集分析（GO、KEGG、Pfam、InterPro）
• 发现相互作用伙伴，并从种子蛋白质扩展蛋白质网络
• 检验一组蛋白质是否构成显著富集的功能模块
• 使用基于证据的颜色生成网络可视化
• 分析不同物种间的同源性和蛋白质家族关系
• 识别枢纽蛋白质和网络连通性模式
• 化合物相互作用请使用 chembl-database-bioactivity；以通路为中心的查询请使用 kegg-database

先决条件

uv pip install requests pandas

速率限制：没有严格的速率限制，但 API 调用间隔应约为 1 秒。对于蛋白质组规模的分析，请使用 https://string-db.org/cgi/download 提供的批量下载，而非 API。

快速入门

import requests
import time

STRING_API = "https://string-db.org/api"

def string_query(endpoint, params, fmt="tsv"):
    """Reusable helper for all STRING API calls."""
    url = f"{STRING_API}/{fmt}/{endpoint}"
    params.setdefault("caller_identity", "python_script")
    response = requests.get(url, params=params)
    response.raise_for_status()
    return response.text

# Map gene names to STRING IDs (always do this first)
result = string_query("get_string_ids", {
    "identifiers": "TP53\nBRCA1\nEGFR",
    "species": 9606
})
print(result)

# Get interaction network
time.sleep(1)
network = string_query("network", {
    "identifiers": "TP53%0dBRCA1%0dMDM2",
    "species": 9606,
    "required_score": 400
})
print(network[:500])

核心概念

常见物种的 NCBI 分类 ID

生物体	常用名称	分类 ID
Homo sapiens	人类	9606
Mus musculus	小鼠	10090
Rattus norvegicus	大鼠	10116
Drosophila melanogaster	果蝇	7227
Caenorhabditis elegans	秀丽隐杆线虫	6239
Saccharomyces cerevisiae	酵母	4932
Arabidopsis thaliana	拟南芥	3702
Escherichia coli K-12	大肠杆菌	511145
Danio rerio	斑马鱼	7955
Gallus gallus	鸡	9031

完整物种列表：https://string-db.org/cgi/input?input_page_active_form=organisms

STRING 标识符格式

STRING 使用带分类前缀的 Ensembl 蛋白质 ID：{taxonId}.{ensemblProteinId}（例如，人类 TP53 的 ID 为 9606.ENSP00000269305）。请务必先通过 get_string_ids 将基因名称映射为 STRING ID，以加快后续查询。

相互作用置信度评分

综合评分（0-1000）整合了 7 个证据渠道：

渠道	代码	来源
邻域	nscore	保守的基因组邻域
融合	fscore	基因融合事件
系统发育谱	pscore	不同物种间的共现
共表达	ascore	相关的 RNA 表达
实验	escore	生化/遗传实验
数据库	dscore	经整理的通路/复合物数据库
文本挖掘	tscore	文献共现和自然语言处理

推荐阈值：

• 150：低置信度（探索性分析、生成假设）
• 400：中等置信度（标准分析、默认值）
• 700：高置信度（保守分析、更少假阳性）
• 900：最高置信度（非常严格，优先采用实验性证据）

网络类型

• 功能性（默认）：包含所有证据类型——蛋白质之间存在功能关联，但不一定直接结合。适用于通路分析、富集分析和系统生物学
• 物理性：仅包含直接结合证据——实验数据和经整理的物理相互作用。适用于结构研究和复合物分析

输出格式

将 URL 中的 /tsv/ 替换为所需格式：

• TSV：制表符分隔（默认格式，最适合数据处理）
• JSON：结构化数据（/json/）
• PNG/SVG：网络图像（/image/）
• PSI-MI/PSI-MITAB：蛋白质组学标准格式

核心 API

1. 标识符映射

# Map gene names to STRING IDs
result = string_query("get_string_ids", {
    "identifiers": "TP53\nBRCA1\nEGFR",
    "species": 9606,
    "limit": 1,        # matches per identifier
    "echo_query": 1    # include query term in output
})

# Parse the mapping
import pandas as pd
import io
df = pd.read_csv(io.StringIO(result), sep='\t')
id_map = dict(zip(df['queryItem'], df['stringId']))
print(id_map)
# {'TP53': '9606.ENSP00000269305', 'BRCA1': '9606.ENSP00000...', ...}

2. 网络检索

# Get PPI network with confidence scores
network = string_query("network", {
    "identifiers": "TP53%0dBRCA1%0dMDM2%0dATM%0dCHEK2",
    "species": 9606,
    "required_score": 400,
    "network_type": "functional"  # or "physical"
})

# Parse network edges
time.sleep(1)
df = pd.read_csv(io.StringIO(network), sep='\t')
print(f"Found {len(df)} interactions")
print(df[['preferredName_A', 'preferredName_B', 'score']].head())

# Expand network with additional interactors
expanded = string_query("network", {
    "identifiers": "TP53",
    "species": 9606,
    "add_nodes": 10,  # add 10 most connected proteins
    "required_score": 700
})

3. 网络可视化

# Get PNG network image
url = f"{STRING_API}/image/network"
params = {
    "identifiers": "TP53%0dMDM2%0dATM%0dCHEK2%0dBRCA1",
    "species": 9606,
    "required_score": 700,
    "network_flavor": "evidence",  # "evidence", "confidence", or "actions"
    "caller_identity": "python_script"
}
response = requests.get(url, params=params)
with open("network.png", "wb") as f:
    f.write(response.content)

4. 相互作用伙伴

# Discover top interaction partners
partners = string_query("interaction_partners", {
    "identifiers": "TP53",
    "species": 9606,
    "limit": 20,
    "required_score": 700
})

df = pd.read_csv(io.StringIO(partners), sep='\t')
print(f"Top 20 TP53 interactors:")
print(df[['preferredName_B', 'score']].head(10))

5. 功能富集分析

# GO, KEGG, Pfam, InterPro, SMART, UniProt Keywords enrichment
# Statistical method: Fisher's exact test with Benjamini-Hochberg FDR correction
enrichment = string_query("enrichment", {
    "identifiers": "TP53%0dMDM2%0dATM%0dCHEK2%0dBRCA1%0dATR%0dTP73",
    "species": 9606
})

df = pd.read_csv(io.StringIO(enrichment), sep='\t')
significant = df[df['fdr'] < 0.05]
print(f"Significant terms: {len(significant)}")

# Group by annotation category
for cat, group in significant.groupby('category'):
    print(f"\n{cat}: {len(group)} terms")
    for _, row in group.head(3).iterrows():
        print(f"  {row['description']} (FDR={row['fdr']:.2e})")

6. PPI 富集检验

import json

# Test if proteins form a significant functional module
result = string_query("ppi_enrichment", {
    "identifiers": "TP53%0dMDM2%0dATM%0dCHEK2%0dBRCA1",
    "species": 9606,
    "required_score": 400
}, fmt="json")

data = json.loads(result)
print(f"Observed edges: {data['number_of_edges']}")
print(f"Expected edges: {data['expected_number_of_edges']}")
print(f"P-value: {data['p_value']}")
# p < 0.05 → proteins form a significantly enriched network

7. 同源性评分

# Get homology/similarity between proteins
homology = string_query("homology", {
    "identifiers": "TP53%0dTP63%0dTP73",
    "species": 9606
})
print(homology)

常见工作流

工作流 1：蛋白质列表分析（标准）

import requests, pandas as pd, io, json, 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", "python_script")
    response = requests.get(url, params=params)
    response.raise_for_status()
    time.sleep(1)
    return response.text

genes = "TP53%0dBRCA1%0dATM%0dCHEK2%0dMDM2%0dATR%0dBRCA2"

# Step 1: Map identifiers
mapping = string_query("get_string_ids", {"identifiers": genes.replace("%0d", "\n"), "species": 9606})

# Step 2: Get interaction network
network = string_query("network", {"identifiers": genes, "species": 9606, "required_score": 400})
net_df = pd.read_csv(io.StringIO(network), sep='\t')
print(f"Network: {len(net_df)} interactions")

# Step 3: Test PPI enrichment
ppi = json.loads(string_query("ppi_enrichment", {"identifiers": genes, "species": 9606}, fmt="json"))
print(f"PPI enrichment p-value: {ppi['p_value']}")

# Step 4: Functional enrichment
enrich = string_query("enrichment", {"identifiers": genes, "species": 9606})
enrich_df = pd.read_csv(io.StringIO(enrich), sep='\t')
sig = enrich_df[enrich_df['fdr'] < 0.05]
print(f"Significant GO/KEGG terms: {len(sig)}")

# Step 5: Save network image
img_resp = requests.get(f"{STRING_API}/image/network", params={
    "identifiers": genes, "species": 9606, "required_score": 400,
    "network_flavor": "evidence", "caller_identity": "python_script"
})
with open("protein_network.png", "wb") as f:
    f.write(img_resp.content)

工作流 2：从种子蛋白扩展网络

# Start with seed proteins, discover connected functional modules
seed = "TP53"

# Step 1: Get high-confidence interaction partners
partners = string_query("interaction_partners", {
    "identifiers": seed, "species": 9606, "limit": 30, "required_score": 700
})
df = pd.read_csv(io.StringIO(partners), sep='\t')
all_proteins = list(set(df['preferredName_A'].tolist() + df['preferredName_B'].tolist()))
print(f"Expanded network: {len(all_proteins)} proteins")

# Step 2: Enrichment on expanded set
expanded_ids = "%0d".join(all_proteins[:50])
enrichment = string_query("enrichment", {"identifiers": expanded_ids, "species": 9606})
enrich_df = pd.read_csv(io.StringIO(enrichment), sep='\t')
modules = enrich_df[enrich_df['fdr'] < 0.001]
print(f"Highly significant terms: {len(modules)}")

工作流 3：跨物种比较

# Compare protein interactions across species
for species, name, gene in [(9606, "Human", "TP53"), (10090, "Mouse", "Trp53")]:
    network = string_query("network", {
        "identifiers": gene, "species": species,
        "required_score": 700, "add_nodes": 5
    })
    df = pd.read_csv(io.StringIO(network), sep='\t')
    print(f"{name} ({gene}): {len(df)} interactions at score >= 700")

常用配方

配方：将富集结果解析为 DataFrame

import pandas as pd, io

enrichment_tsv = string_query("enrichment", {
    "identifiers": "TP53%0dBRCA1%0dATM", "species": 9606
})
df = pd.read_csv(io.StringIO(enrichment_tsv), sep='\t')
# Columns: category, term, description, number_of_genes, p_value, fdr
kegg = df[df['category'] == 'KEGG'].sort_values('fdr')
print(kegg[['description', 'fdr']].head(5))

配方：使用速率限制批量查询蛋白质

import time

protein_lists = [["TP53", "MDM2"], ["EGFR", "ERBB2"], ["BRCA1", "BRCA2"]]
results = []
for proteins in protein_lists:
    ids = "%0d".join(proteins)
    network = string_query("network", {"identifiers": ids, "species": 9606})
    results.append(network)
    time.sleep(1)  # respect rate limits

配方：为确保可复现性检查版本

version = string_query("version", {})
print(f"STRING version: {version.strip()}")
# Include in methods section: "STRING v{version}, accessed {date}"

关键参数

参数	端点	默认值	描述
identifiers	所有	—	蛋白质 ID；URL 中以 %0d 分隔，POST 中以 \n 分隔
species	所有	—	NCBI 分类群 ID（9606=人类，10090=小鼠）
required_score	network、partners、ppi_enrichment	400	置信度阈值，范围为 0-1000
network_type	network	functional	functional（所有证据）或 physical（直接结合）
add_nodes	network、image	0	要纳入的额外相连蛋白质数量（0-10）
limit	get_string_ids、partners	1/10	每次查询的最大结果数
network_flavor	image	evidence	evidence、confidence 或 actions

故障排除

问题	原因	解决方案
未找到蛋白质	物种错误或标识符拼写错误	验证物种分类群 ID；使用 get_string_ids 检查标识符映射
网络为空	置信度阈值过严	降低 required_score；确认蛋白质确实在 STRING 中存在相互作用
大型查询超时	单次请求中的蛋白质过多	拆分为每批 50-100 个；对于蛋白质组规模的查询，使用批量下载
出现“Species required”错误	蛋白质数量超过 10 个的网络缺少物种信息	始终包含 species 参数
结果异常	网络类型或 STRING 版本错误	检查 network_type（functional 与 physical）；使用 /version 验证版本
400 Bad Request	标识符格式错误	在 URL 中使用 %0d 分隔符，或在 POST 正文中使用 \n；对特殊字符进行 URL 编码
富集结果没有术语	输入的蛋白质过少	富集分析需要至少 5 个蛋白质才能获得有意义的结果

最佳实践

• 始终先映射标识符 —— 在其他操作之前使用 get_string_ids()；STRING ID（例如 9606.ENSP00000269305）比基因名称更快
• 限制所有请求的速率 —— 在 API 调用之间添加 time.sleep(1)
• 选择适当的阈值 —— 探索性分析使用 400，发表研究使用 700，仅使用高置信度结果时使用 900
• 明确指定物种 —— 对于蛋白质数量超过 10 个的网络，这是必需的；始终指定则更佳
• 通路分析和富集分析使用功能网络；结构生物学和直接结合分析使用物理网络
• 在方法部分注明版本 —— 检查 string_version() 以确保可复现性

相关技能

• networkx-graph-analysis — STRING 相互作用网络的图分析与可视化
• kegg-database — 与 STRING 富集分析互补的通路导向查询
• bioservices-multi-database — 通过 PSICQUIC 接口访问 STRING 的替代方式

参考资料

• STRING 网站：https://string-db.org
• API 文档：https://string-db.org/help/api/
• 下载页面：https://string-db.org/cgi/download
• 出版物：https://string-db.org/cgi/about

捆绑资源

主 SKILL.md + 1 个参考文件。原始总计：990 行（SKILL.md 534 行 + string_reference.md 456 行）。脚本：370 行（string_api.py）。

references/api_advanced.md：高级 API 功能（值/排名丰富化、批量上传、R/Cytoscape 集成）、输出格式详情、HTTP 错误代码、数据许可协议 — 内容来自超出核心 API 范围的原始 string_reference.md。

原始文件处理方式：

• SKILL.md（534 行）→ 核心 API 模块 1–7、工作流 1–3、快速入门辅助函数、关键概念（物种表、评分阈值、网络类型）。根据规则 7b，将“常见用例”中的各操作子章节整合到核心 API 模块说明中：每项操作的“适用时机”和“用例”→ 核心 API 介绍文本。“详细参考”占位章节 → 删除，内容整合到相应位置
• references/string_reference.md（456 行）→ 部分内容整合到相应位置：API 端点 → 核心 API 模块及代码块；物种表 → 关键概念；置信度评分 → 关键概念；标识符格式 → 关键概念。高级功能（值/排名丰富化、批量上传）、集成示例（R STRINGdb、Cytoscape）、输出格式详情、HTTP 错误代码、数据许可协议 → 移至 references/api_advanced.md
• scripts/string_api.py（370 行）→ 将辅助函数模式整合到快速入门中的可复用 string_query 函数。各函数的处理方式：string_map_ids → 核心 API 模块 1；string_network → 模块 2；string_network_image → 模块 3；string_interaction_partners → 模块 4；string_enrichment → 模块 5；string_ppi_enrichment → 模块 6；string_homology → 模块 7；string_version → 配方。它们原本都是基于 urllib 的轻量封装；现已替换为基于 requests 的 string_query 辅助函数

保留内容：约 460 行（SKILL.md）+ 约 180 行（参考文件）= 原始 990 行中的约 640 行，即约 65%。