基于STRING功能注释的igraph网络标注及孤立节点处理问询

一、移除无交互的孤立节点 #

在igraph中，孤立节点的度数为0，直接筛选并删除即可，以下是适配你现有代码的实现：

假设你的图对象名为g，执行以下代码：

# 筛选孤立节点（度数为0的节点）
isolated_nodes <- which(degree(g) == 0)
# 删除孤立节点
g_clean <- delete.vertices(g, isolated_nodes)

如果你的节点数据是单独的数据框（比如node_df），同步清理节点数据：

# 保留非孤立节点的行
node_df_clean <- node_df[!node_df$node_id %in% V(g_clean)$name, ]

验证清理结果：

# 查看清理后的节点数与边数
vcount(g_clean)
ecount(g_clean)

二、基于STRING功能注释的富集式节点标注可视化 #

1. 读取并处理STRING功能注释文件 #

首先读取string_functional_annotations.tsv，提取你关注的富集功能（比如GO生物过程、KEGG通路），这里以GO term为例：

# 读取注释文件（注意分隔符是制表符）
func_annot <- read.delim("string_functional_annotations.tsv", sep = "\t", header = TRUE)

# 筛选显著富集的功能（假设以adjusted p值<0.05为阈值）
sig_annot <- subset(func_annot, adjusted_p_value < 0.05)

# 简化注释：每个基因保留最显著的1个功能（或合并多个功能，按需调整）
top_annot <- sig_annot[order(sig_annot$adjusted_p_value), ]
top_annot_unique <- top_annot[!duplicated(top_annot$gene), ]

2. 关联注释到网络图节点 #

将功能注释合并到你的节点属性中：

# 假设你的节点名称存储在V(g_clean)$name中
# 匹配节点与注释
node_annot <- merge(data.frame(gene = V(g_clean)$name), top_annot_unique, by = "gene", all.x = TRUE)

# 将功能注释赋值为节点属性
V(g_clean)$func <- node_annot$functional_category # 替换为你实际的功能列名，比如go_term_name

# 给无注释的节点分配默认类别
V(g_clean)$func[is.na(V(g_clean)$func)] <- "Unannotated"

3. 绘制富集式网络图 #

根据功能类别设置节点颜色，添加图例，实现类似富集分析的可视化效果：

# 生成颜色映射（可自定义颜色）
func_colors <- setNames(RColorBrewer::brewer.pal(length(unique(V(g_clean)$func)), "Set3"), unique(V(g_clean)$func))

# 绘制网络图
plot(g_clean,
     vertex.color = func_colors[V(g_clean)$func],
     vertex.size = 8,
     vertex.label.cex = 0.6,
     edge.width = 0.8,
     edge.color = "gray80",
     main = "Gene Network with Functional Annotations")

# 添加功能类别图例
legend("bottomright", 
       legend = names(func_colors),
       fill = func_colors,
       cex = 0.7,
       title = "Functional Categories")

如果需要更精细的控制（比如按功能富集程度调整节点大小），可以将富集的p值或基因数作为节点大小的映射：

# 关联富集p值到节点
V(g_clean)$p_value <- node_annot$adjusted_p_value
# 用负对数p值设置节点大小
V(g_clean)$size <- -log10(V(g_clean)$p_value) * 2
# 无注释节点设置默认大小
V(g_clean)$size[is.na(V(g_clean)$size)] <- 6

# 重新绘图
plot(g_clean,
     vertex.color = func_colors[V(g_clean)$func],
     vertex.size = V(g_clean)$size,
     vertex.label.cex = 0.6,
     edge.width = 0.8,
     edge.color = "gray80",
     main = "Gene Network with Functional Annotations (Size by Enrichment Significance)")

内容的提问来源于stack exchange，提问作者PesKchan