scientific-protein-interaction-network

name	scientific-protein-interaction-network
description	タンパク質-タンパク質相互作用 (PPI) ネットワーク解析スキル。STRING、IntAct、 BioGRID、STITCH (化学-タンパク質) 相互作用データベースを統合した ネットワーク構築・解析パイプライン。GO/KEGG 富化、相互作用パートナー発見、 組織特異的ネットワーク (HumanBase)、化合物-標的ネットワーク対応。 14 の ToolUniverse SMCP ツールと連携。
tu_tools	[{"key":"intact","name":"IntAct","description":"分子相互作用データベース (EBI)"}]

Scientific Protein Interaction Network

STRING / IntAct / BioGRID / STITCH の 4 大 PPI データベースを統合した タンパク質相互作用ネットワーク解析パイプラインを提供する。

When to Use

• DEG や変異遺伝子の PPI ネットワークを構築するとき
• ハブタンパク質やボトルネックの特定が必要なとき
• 化合物と標的タンパク質の相互作用を調べるとき
• 組織特異的な相互作用ネットワークを評価するとき
• PPI データに基づく GO/KEGG 富化やモジュール解析を行うとき

---

Quick Start

1. STRING PPI ネットワーク取得

import requests
import pandas as pd
import networkx as nx


def string_get_interactions(proteins, species=9606,
                             score_threshold=400,
                             network_type="functional"):
    """
    STRING API v12 による PPI ネットワーク取得。

    Parameters:
        proteins: list — タンパク質名/UniProt ID リスト
        species: int — NCBI Taxonomy ID (9606=Homo sapiens)
        score_threshold: int — 信頼スコア閾値 (0-1000)
        network_type: "functional" or "physical"
    """
    base = "https://string-db.org/api/json"

    
    resolve_url = 
    resolved = []
     batch  [proteins[i:i+]  i  (, (proteins), )]:
        params = {
            : .join(batch),
            : species,
            : ,
        }
        resp = requests.get(resolve_url, params=params)
         r  resp.json():
            resolved.append(r[])

      resolved:
        ()
         pd.DataFrame(), nx.Graph()

    
    interaction_url = 
    params = {
        : .join(resolved),
        : species,
        : score_threshold,
        : network_type,
    }
    resp = requests.get(interaction_url, params=params)
    interactions = resp.json()

    edges = []
     i  interactions:
        edges.append({
            : i[],
            : i[],
            : i[],
            : i.get(, ),
            : i.get(, ),
            : i.get(, ),
            : i.get(, ),
            : i.get(, ),
            : i.get(, ),
            : i.get(, ),
        })

    df = pd.DataFrame(edges)

    
    G = nx.Graph()
     _, row  df.iterrows():
        G.add_edge(row[], row[],
                   weight=row[] / )

    (
          )
     df, G