在线绘制带community的蛋白质-蛋白质相互作用(PPI)网络图

devtools/2024/11/14 2:45:57/

导读:分子相互作用网络图揭示了细胞内部分子间的复杂相互作用。通过识别网络中密集连接的节点所形成的社区(community),可以揭示它们之间以前未知的功能联系。这些社区可能代表了具有共同功能的功能模块,对于理解细胞生物学过程、疾病机制以及药物靶点的识别具有重要的科学和临床价值。

《Clinical and Translational Medicine》文章“Whole-transcriptome sequencing uncovers core regulatory modules and gene signatures of human fetal growth restriction”fig 4D的lncRNA-mRNA-miRNA网络图揭示了三种分子间的复杂调控网络,并将整个网络图分成了不同的community,视觉上更有层次感。

本文以蛋白质-蛋白质相互作用数据为例,展示了如何使用微生信云平台在线绘制带community的分子相互作用网络图

1打开作图URL

微生信-在线绘制蛋白质-蛋白质相互作用网络(PPI network)

2,示例数据

点击图片上方的示例数据,下载,并使用excel打开。

示例数据包括2列:

第1列是来源(source)节点的名字

第2列是靶(target)节点的名字

第3列是相互作用的score,来自stringdb数据库输出结果的最后一列。

当然,输入也可以是其他能够以网络形式展示的两列名字,和表征它们之间关系强度的数值,例如相关性等。

3,输入检查

示例数据:点击输入框下面的“示例”按钮,将载入示例数据。

真实数据:数据放在excel中,调整好后,Ctrl+A选中数据,Ctrl+C拷贝,Ctrl+V粘贴数据到输入框中。

然后使用输入框下面的“输入检查”按钮先对输入数据进行检查。若检查不通过,请根据检查提示重复【修改-输入检查】步骤,直到检查通过(如下图所示),然后可以继续选择参数。

注:输入检查是新加功能,它会根据不同模块的输入要求,逐行逐列检查输入数据,并给出提示,确保数据符合模块输入要求。

4,选择参数

图片大小:设置了图片宽度,高度

节点相关:

设置了节点的基础大小,节点大小系数,节点的颜色和节点边的颜色。

节点的大小计算公式为:节点基础大小+图中每个节点的连线(degree)数*节点大小系数。例如,节点基础大小设置为5,节点系数设置为2,则degree为2的节点的大小就是5+2*2=9,degree为3的节点的大小就是5+3*2。若节点系数设置为0,则所有点大小均一样。

边相关:

设置了边的基础大小,边大小系数,边颜色

边的大小(即粗细)计算公式为:边的基础大小+输入数据第3列*边大小系数。例如边的基础大小设置为1,边的系数设置为2,则输入第3列为1的边的大小就是1+1*2=3,输入第3列为0.5的边的大小就是1+0.5*2=2。若节点系数设置为0,或者输入数据只有两列,则所有连线大小均一样。

标注相关:

设置了标注文字的大小和标注文字的颜色

是否按照community绘图:

若按照community绘图,则同一个community的节点会被圈起来

布局:

设置了多种布局方式,默认自动选择最佳布局,还可以是圆形布局,星型布局,网格布局等等

连线线型:

设置了实线(-------),虚线(- - - -),点线(. . . .)和点虚线(.- .- .-)

字体:设置了期刊杂志中最常用的两种字体:Times New Roman和Arial。如需使用其他字体,可以下载pdf或者svg图片,然后使用acrobat illustrator进行替换或者添加文字

5,提交出图

检查通过,并且参数选好后,点击“提交”按钮,约3s后,会在页面上显示带community的彩色PPI相互作用网络图。我们提供了pdf、svg两种矢量图,png、tiff两种标量图供大家下载使用。可以使用acrobat illustrator等软件编辑矢量图,进行组图,调整文字位置,添加说明等操作,以满足个性化需求。

提供了多种布局,和不带community的绘图方式。

微生信助力高分文章,用户220000+,谷歌学术4400+


http://www.ppmy.cn/devtools/133325.html

相关文章

青少年编程与数学 02-003 Go语言网络编程 20课题、Go语言常用框架

青少年编程与数学 02-003 Go语言网络编程 20课题、Go语言常用框架 课题摘要:一、常用框架Web框架微服务框架数据库ORM框架测试框架工具和库 二、GinGin的主要特点包括:Gin的基本使用:Gin的中间件:Gin的路由分组: 三、BeegoBeego的…

分布式——BASE理论

简单来说: BASE(Basically Available、Soft state、Eventual consistency)是基于CAP理论逐步演化而来的,核心思想是即便不能达到强一致性(Strong consistency),也可以根据应用特点采用适当的方…

Axure设计之三级联动选择器教程(中继器)

使用Axure设计三级联动选择器(如省市区选择器)时,可以利用中继器的数据存储和动态交互功能来实现。下面介绍中继器三级联动选择器设计的教程: 一、效果展示: 1、在三级联动选择器中,首先选择省份&#xff…

京东商品SKU信息的“窃听风云”:Python爬虫的幽默之旅

在这个信息爆炸的时代,我们就像是一群在数据海洋中寻找宝藏的海盗。今天,我们将化身为技术高超的“数据海盗”,用Python这把锋利的剑,去京东的宝库中精准地获取商品的SKU信息。准备好了吗?让我们开始这场幽默的冒险之旅…

SQLI LABS | Less-38 GET-Stacked Query Injection-String

关注这个靶场的其它相关笔记:SQLI LABS —— 靶场笔记合集-CSDN博客 0x01:过关流程 输入下面的链接进入靶场(如果你的地址和我不一样,按照你本地的环境来): http://localhost/sqli-labs/Less-38/ 从本关开…

单链表算法题(数据结构)

1. 反转链表 https://leetcode.cn/problems/reverse-linked-list/description/ 题目: 看到这个题目的时候我们怎么去想呢?如果我们反应快的话,应该可以想到我们可以从1遍历到5然后依次头插,但是其实我们还有更好的办法&#xff…

pytorch量化训练

训练时量化(Quantization-aware Training, QAT)是一种在模型训练过程中,通过模拟低精度量化效应来增强模型对量化操作的鲁棒性的技术。与后训练量化不同,QAT 允许模型在训练过程中考虑到量化引入的误差,从而在实际部署…

【NLP】使用 SpaCy、ollama 创建用于命名实体识别的合成数据集

命名实体识别 (NER) 是自然语言处理 (NLP) 中的一项重要任务,用于自动识别和分类文本中的实体,例如人物、位置、组织等。尽管它很重要,但手动注释大型数据集以进行 NER 既耗时又费钱。受本文 ( https://huggingface.co/blog/synthetic-data-s…