相互作用组图谱：检测方法、质量与偏倚

PPI 网络的所有拓扑结论都建立在“哪些边被测到了”之上。本页比较主要实验方法测得的边有何不同，介绍评估图谱质量的参数与互作组规模的估计，最后讨论用网络结构本身补全缺失边的方法。

二元相互作用与共复合物关系

二元相互作用（binary interaction）：两个蛋白之间的直接物理接触，典型来源是酵母双杂交。共复合物关系（co-complex association）：两个蛋白出现在同一个被纯化出来的复合物中，彼此不一定直接接触，典型来源是亲和纯化–质谱。

两类数据回答的问题不同：Yu 等（2008, Science）比较后认为，高通量 Y2H 与 AP-MS 数据的质量相当，但性质根本不同且互补——二元图谱富集瞬时的信号相互作用和复合物之间的连接，共复合物图谱则富集稳定复合物内部的连接，二者得到的网络拓扑和生物学性质也不同。因此，“PPI 网络的聚集系数很高”这类结论，首先要问它来自哪一类数据：共复合物数据天然含有大量三角形。

酵母双杂交（Y2H）

把蛋白 X 与转录因子的 DNA 结合域融合（“诱饵”），把蛋白 Y 与激活域融合（“猎物”）；若 X 与 Y 在酵母细胞核内结合，两个结构域被拉近，报告基因被激活。高通量筛选有两种组织方式：阵列法（每个诱饵逐一对一个已知排列的猎物阵列筛选）和混池法（诱饵对混合文库筛选，阳性克隆再测序鉴定）。Uetz 等（2000, Nature）对酵母约 6000 个蛋白用这两种方式筛选，得到 1004 个蛋白之间的 957 条相互作用；Ito 等（2001, PNAS）完成了另一套酵母全基因组 Y2H 数据。

Y2H 的系统性偏倚包括：需要融合蛋白进入细胞核并正确折叠，膜蛋白和需要翻译后修饰的相互作用容易漏检；部分诱饵单独就能激活报告基因（自激活），需要预先剔除；单次筛选的取样灵敏度有限，重复筛选会不断发现新的边。其长处是不依赖文献、对全部蛋白对“一视同仁”，因而几乎不受研究偏倚影响。人类二元图谱沿此路线逐步扩大：Rual 等（2005）、Rolland 等（2014, Cell，约 14000 条高质量二元相互作用）直到 HuRI（Luck 等, 2020）。Rolland 等指出，文献数据高度偏向少数被深入研究的蛋白，而系统性图谱在蛋白之间的分布明显更均匀。

亲和纯化–质谱（AP-MS）

给诱饵蛋白加上标签，在近生理条件下表达，用亲和层析把它连同结合的蛋白一起“拉下”，再用质谱鉴定。串联亲和纯化（TAP）通过两步纯化降低背景。酵母中的代表性工作有 Gavin 等（2002, 2006）、Ho 等（2002）与 Krogan 等（2006, Nature）。Krogan 等处理了 4562 个带标签的蛋白，核心数据集含 2708 个蛋白之间的 7123 条相互作用，再用马尔可夫聚类组织成 547 个复合物（平均 4.9 个亚基）。人类细胞中，BioPlex 系列用 AP-MS 在细胞系中系统地拉下：BioPlex 2.0（Huttlin 等, 2017, Nature）含 56000 余条候选相互作用；BioPlex 3.0（Huttlin 等, 2021, Cell）以 10128 个人类蛋白为诱饵，在 293T 细胞中得到 14586 个蛋白之间的 118162 条相互作用，并在 HCT116 细胞中构建了第二张网络。两种细胞的比较显示，共享的相互作用集中在核心复合物和必需蛋白中，而细胞特异的相互作用把这些复合物连接起来（见差异网络）。

一次拉下实验得到的是“诱饵 + 一组猎物”，转换成边需要模型假设：

spoke 模型：只连诱饵–猎物，一次拉下 $n$ 个猎物得到 $n$ 条边。matrix 模型：把诱饵与猎物两两相连，得到 $\binom{n+1}{2}=n(n+1)/2$ 条边。

算例：诱饵 A 拉下 B、C、D、E。spoke 模型给出 4 条边；matrix 模型给出 $5\times4/2=10$ 条边。若真实结构是一条链 A–B–C–D–E（4 条直接接触），spoke 模型只命中 A–B 一条；matrix 模型命中全部 4 条，但另外 6 条是间接关系。复合物越大，matrix 模型引入的间接边按亚基数的平方增长。AP-MS 的其他偏倚包括：高丰度蛋白和“黏性”蛋白（如热休克蛋白、核糖体蛋白）容易作为背景被检出，需要用对照实验与打分模型过滤；弱的、瞬时的相互作用在纯化中容易丢失。代码示例见 AP-MS 拉下数据的 spoke 与 matrix 模型。

其他方法与文献整理数据

蛋白片段互补（PCA）：把报告蛋白拆成两半分别融合到 X、Y 上，结合后重新拼合出活性，可在接近天然的细胞环境中检测二元相互作用。
邻近标记（如 BioID、APEX）：诱饵融合一个能标记周围蛋白的酶，标记的是一定空间半径内的“邻居”，适合膜蛋白与瞬时相互作用，但边的含义是“空间邻近”而非结合。
交联质谱（XL-MS）与共分级分离质谱（co-fractionation MS）：前者能给出接触残基的距离约束，后者根据蛋白在色谱分级中的共洗脱谱推断复合物。
文献整理（literature curation）：BioGRID、IntAct 等从小规模实验文献中整理。单篇文献支持的相互作用质量参差不齐；Venkatesan 等（2009, Nature Methods）的比较表明，高通量 Y2H 的精确率高于只有单篇文献支持的整理数据。

von Mering 等（2002, Nature）对早期酵母的多套大规模数据做了比较，发现不同方法彼此重叠很少，各有偏向的蛋白类别与细胞区室。这一结论至今仍成立：没有任何单一方法能覆盖互作组，整合多种方法、并在分析中标明证据类型，是使用 PPI 数据的基本要求。

图谱质量参数与互作组规模估计

Venkatesan 等（2009）把一张二元图谱的质量拆成几个可分别测量的参数：

参数	含义	如何估计
精确率（precision）	图谱中的边有多大比例是真的	用正交方法重新检测随机抽取的边
检测灵敏度（assay sensitivity）	一种实验方法能检出多大比例的真实相互作用	用一套“阳性参考集”（公认的相互作用）测试
取样灵敏度（sampling sensitivity）	一次筛选能找到可检出相互作用的多大比例	重复筛选，看新边增加多少
完整度（completeness）	筛选覆盖了全部蛋白对的多大比例	筛选空间 / 全部可能蛋白对

若一张图谱有 $N_{\text{obs}}$ 条边，则对互作组总规模的一个粗略估计为

$N_{\text{total}}\approx\frac{N_{\text{obs}}\times\text{precision}}{\text{completeness}\times\text{assay sensitivity}\times\text{sampling sensitivity}} .$

算例（数字为说明用的假设值）：测得 $N_{\text{obs}}=10000$ 条边，精确率 0.8，筛选覆盖了全部蛋白对的 60%，检测灵敏度 0.25，取样灵敏度 0.6，则 $N_{\text{total}}\approx 10000\times0.8/(0.6\times0.25\times0.6)\approx 8.9\times10^4$ 条。可以看到，最大的不确定性来自检测灵敏度：它从 0.25 变成 0.15，估计值就要再乘以 5/3。

Venkatesan 等据此估计人类二元互作组约有 13 万条相互作用；Stumpf 等（2008, PNAS）用另一种基于子网采样的统计方法，估计人类约有 65 万条相互作用。两者相差约 5 倍，部分源于“相互作用”的定义（直接二元 vs 更宽泛）和模型假设不同。对于使用者而言，要点是：目前任何一张人类 PPI 图都只包含真实互作组的一部分，而且缺失并不是随机的。

抽样会改变拓扑。Han 等（2005, Nature Biotechnology）与 Stumpf 等（2005, PNAS）指出，从一个网络中随机抽取部分节点或边得到的子网，其度分布不一定与全网属于同一分布族；对无标度网络而言恰恰不属于同一族。因此，从不完整的 PPI 图谱推断全局的度分布、聚集系数或枢纽身份，都要附带“在当前覆盖度下”的限定。

用网络结构补全缺失的边

既然图谱不完整，能否用已知网络预测缺失的边？社交网络中常用的共同邻居（triadic closure）启发是“朋友的朋友是朋友”，打分为长度为 2 的路径数 $(A^2)_{XY}$ 。Kovács 等（2019, Nature Communications）指出，蛋白之间的结合多依赖互补的结合界面：X 与 Y 结合，并不意味着 X 与 Y 相似；但若 X 与 Y 的某些伙伴相似（共享伙伴），X 就可能与 Y 结合。这对应于数长度为 3 的路径（L3），并按中间节点的度归一化以抑制枢纽的影响：

$p_{XY}=\sum_{U,V}\frac{a_{XU}\,a_{UV}\,a_{VY}}{\sqrt{k_U k_V}} .$

作者报告 L3 在多套 PPI 数据上优于当时的链路预测方法。代码示例用“界面类型互补”生成的模拟网络比较了 L2 与 L3：在这类网络中，共同邻居打分几乎等于随机猜测，而 L3 的 AUC 明显更高（见 L2 与 L3 链路预测）。要注意，预测得到的边只是候选，必须与实验测得的边分开标注，否则后续分析会陷入“用预测边验证预测”的循环。