热门主题报告 / proteomics

---

本报告由 MaltSci•麦伴科研 基于最新文献和研究成果撰写

---

蛋白质-蛋白质相互作用网络的作用是什么？

摘要

蛋白质-蛋白质相互作用网络（PPI网络）在生物学研究中扮演着重要角色，揭示了细胞内蛋白质之间的相互关系，对理解生物过程、疾病机制及药物靶点的发现具有重要意义。随着高通量技术的发展，研究者能够获得大量的PPI数据，为网络的构建和分析奠定了基础。PPI网络的定义为通过节点（蛋白质）和边（相互作用）构成的复杂网络结构，能够反映蛋白质的功能及其在细胞内的动态行为。当前的研究表明，异常的PPI可能导致多种人类疾病，包括癌症。因此，深入探讨PPI网络的结构与功能，对理解细胞的正常生理及病理状态至关重要。 本报告将介绍PPI网络的构建方法，包括实验方法（如酵母双杂交、质谱等）与计算方法（如机器学习、图神经网络等），并重点介绍PPI网络的分析工具，如网络分析软件及数据库资源。PPI网络在生物医学中的应用涵盖疾病机制研究、药物靶点发现及生物标志物的鉴定等领域。最后，展望未来，PPI网络的研究将结合新技术的应用与多组学数据的整合，推动生物医学研究的进一步发展。

大纲

本报告将涉及如下问题的讨论。

• 1 引言
• 2 蛋白质-蛋白质相互作用网络的基本概念
  • 2.1 PPI网络的定义
  • 2.2 PPI网络的结构特征
• 3 PPI网络的构建方法
  • 3.1 实验方法
  • 3.2 计算方法
• 4 PPI网络的分析工具
  • 4.1 网络分析软件
  • 4.2 数据库资源
• 5 PPI网络在生物医学中的应用
  • 5.1 疾病机制研究
  • 5.2 药物靶点发现
  • 5.3 生物标志物的鉴定
• 6 未来发展方向
  • 6.1 新技术的应用
  • 6.2 多组学数据的整合
• 7 总结

1 引言

蛋白质-蛋白质相互作用网络（PPI网络）在生物学研究中占据着重要的地位。PPI网络通过揭示细胞内各个蛋白质之间的相互关系，为理解生物过程、疾病机制及药物靶点的发现提供了重要线索。随着高通量技术的发展，研究人员能够获得大量的蛋白质相互作用数据，这些数据为构建和分析PPI网络奠定了基础。研究表明，异常的蛋白质相互作用可能导致多种人类疾病，包括癌症[1]。因此，深入探讨PPI网络的结构与功能，对于理解细胞的正常生理及病理状态至关重要。

研究PPI网络的意义不仅体现在基础生物学研究上，还在于其在临床医学中的应用。PPI网络的分析可以帮助识别关键的调控蛋白质，理解信号转导通路及代谢网络，从而为个性化医疗提供潜在的生物标志物[2]。此外，PPI网络的研究涉及计算生物学、系统生物学等多个领域，促进了跨学科的合作与发展。因此，系统地回顾PPI网络的基本概念、构建方法、分析工具及其在不同生物学领域中的应用，具有重要的理论价值和实际意义。

当前，PPI网络的研究正处于快速发展之中。已有多个大型的蛋白质相互作用数据库和分析工具相继问世，为研究人员提供了丰富的数据资源[3]。这些数据库不仅包括了不同物种的蛋白质相互作用信息，还支持多种网络分析方法，有助于研究者从系统层面理解生物过程。近年来，随着网络生物学的兴起，研究者们逐渐认识到PPI网络的拓扑特征与生物功能之间的密切关系[4]。这种研究趋势为我们提供了新的视角，促使我们重新审视蛋白质在生物系统中的角色。

本报告将围绕PPI网络的基本概念展开，首先介绍PPI网络的定义及其结构特征，随后讨论当前的构建方法，包括实验方法与计算方法。接着，我们将重点介绍PPI网络的分析工具，涵盖网络分析软件及数据库资源。此外，本报告还将探讨PPI网络在生物医学中的应用，具体包括疾病机制研究、药物靶点发现及生物标志物的鉴定。最后，我们将展望PPI网络研究的未来发展方向，包括新技术的应用与多组学数据的整合，以期为相关研究提供一个全面的视角和参考。

通过本报告的系统回顾与分析，我们希望能够为PPI网络的研究提供更深入的理解，并促进其在生物医学领域的应用。随着技术的不断进步，PPI网络的研究将为我们揭示生命活动的奥秘，推动科学研究的进一步发展。

2 蛋白质-蛋白质相互作用网络的基本概念

2.1 PPI网络的定义

蛋白质-蛋白质相互作用网络（PPI网络）是生物学研究中的一个重要概念，旨在描述和分析生物体内蛋白质之间的相互作用。这些网络为理解细胞内的复杂关系提供了强有力的工具，能够揭示细胞过程的调控机制及其在生物学和疾病中的作用。

PPI网络的基本定义是通过将蛋白质视为网络中的节点，而将它们之间的相互作用视为连接这些节点的边，从而形成一个复杂的网络结构。每个节点代表一个特定的蛋白质，而边则表示两个蛋白质之间的相互作用关系。这种网络结构不仅反映了蛋白质的功能和相互依赖性，还能够揭示它们在细胞内的动态行为和反应。

在生物学研究中，PPI网络的构建和分析能够提供对生物系统的综合理解。通过系统地确定生物体内可能发生的所有蛋白质相互作用，研究人员能够建立一个全面的“互作组”图谱，这为理解生物学过程提供了框架。例如，基因组规模的开放阅读框（ORF）克隆集的可用性促进了系统性地创建蛋白质相互作用的数据集，这些数据集可以作为复杂网络或“互作组”图的基础[2]。

此外，PPI网络在药物开发和疾病机制研究中也具有重要的应用价值。异常的蛋白质相互作用可能导致人类疾病和癌症的发生，因此，识别和理解这些相互作用界面被认为是新药开发的一个新目标[1]。通过定量质谱结合亲和纯化的方法，研究人员能够在体内研究蛋白质相互作用，获取高置信度的数据集以进行功能特征化[1]。

PPI网络的分析还能够为癌症驱动基因的发现、药物靶点的识别等提供支持，显示出其在生物医学领域的广泛应用潜力[4]。通过对不同物种的PPI网络进行比较，研究者能够识别出保守的和特异的相互作用模式，这对于揭示生物系统的演化和功能组织具有重要意义[4]。

综上所述，PPI网络不仅是理解细胞功能的基础工具，还为疾病机制的研究和药物开发提供了新的视角和方法。

2.2 PPI网络的结构特征

蛋白质-蛋白质相互作用网络（PPI网络）在生物学中具有重要的基础作用。PPI网络通过描述蛋白质之间的相互作用，提供了理解生物过程的框架。这些相互作用是几乎所有生物过程的基础，且不正常的蛋白质-蛋白质相互作用可能导致人类疾病和癌症的发生[1]。全面的蛋白质-蛋白质相互作用的确定为理解生物学系统的整体性提供了支持，形成了被称为“互作组”（interactome）的复杂网络[2]。

PPI网络的结构特征包括节点（代表蛋白质）和边（代表蛋白质之间的相互作用），这些特征可以通过网络理论进行分析，以揭示其拓扑性质。例如，网络的平均路径长度、聚类系数和节点的连接度分布等结构特征可以反映生物系统的效率和稳健性[5]。在不同物种的PPI网络中，虽然共享许多相同的蛋白编码基因，但在相互作用和邻域方面却存在显著差异[4]。

PPI网络的研究还揭示了功能富集、癌症驱动基因的发现和药物靶点的识别等多种应用。通过高通量技术，如酵母双杂交系统和串联质谱，已经实现了基因组范围的蛋白质链接映射，这在后基因组研究中成为主要目标[6]。尽管植物领域在这方面的进展较慢，但网络生物学的图论功能解释方法的最新进展为植物研究提供了新的视角[6]。

总的来说，PPI网络不仅在基础生物学研究中至关重要，还为临床研究和药物开发提供了重要的理论基础和实践应用。通过对这些网络的深入分析，研究人员能够更好地理解细胞过程的复杂关系，进而为疾病机制的研究和新疗法的开发提供指导。

3 PPI网络的构建方法

3.1 实验方法

蛋白质-蛋白质相互作用（PPI）网络在生物学中扮演着至关重要的角色，它们构成了多种生物途径和机制的基础，例如蛋白质复合物的形成和信号传导级联的组成[7]。理解PPI网络对于阐明细胞行为和疾病机制至关重要，因此，构建这些网络的方法显得尤为重要。

在构建PPI网络时，常用的实验方法包括酵母双杂交（Y2H）、质谱（MS）、共定位和共免疫沉淀等。酵母双杂交是一种经典的技术，用于检测蛋白质之间的相互作用，通过在酵母细胞中表达两个融合蛋白，观察是否能激活报告基因，从而判断相互作用的存在[7]。质谱则能够通过分析蛋白质的质量和序列，提供关于相互作用的详细信息，尽管其操作复杂且成本较高[8]。

此外，计算方法也被广泛应用于PPI网络的构建与分析。这些方法利用生化特性、进化历史和蛋白质结构等信息来识别潜在的PPI[9]。例如，机器学习技术的应用使得在较短时间内分析更多的蛋白质，优化了识别和预测蛋白质功能联系的资源[8]。

PPI网络的构建不仅限于实验数据的获取，还涉及网络分析方法的应用，这些方法可以识别关键基因和网络中的动态变化，已在多种生物研究领域得到了广泛应用[7]。然而，当前的研究也面临着挑战，如如何处理数据中的噪声和不完整性，以及如何有效整合来自不同实验方法的数据，以提升PPI网络的准确性和可靠性[10]。

综上所述，PPI网络的构建方法包括多种实验技术和计算方法，二者结合为生物医学研究提供了强大的工具，以揭示蛋白质相互作用的复杂性和其在生物过程中的重要性。

3.2 计算方法

蛋白质-蛋白质相互作用（PPI）网络在生物学研究中扮演着至关重要的角色，涉及生物过程的多种机制，包括信号转导、细胞功能和生物体的发育等。PPI网络不仅为理解细胞如何运作提供了基础，还帮助识别潜在的治疗靶点，尤其是在疾病研究中（如癌症）[11]。

PPI网络的构建方法多种多样，主要包括实验和计算方法。实验方法如酵母双杂交（Y2H）、质谱法（MS）、共定位和共免疫沉淀等被广泛应用于识别和验证蛋白质之间的相互作用。这些方法各有优缺点，通常需要结合使用以获得全面的PPI网络视图[7]。例如，交联质谱（XL-MS）技术已被用于在临床样本中定义内源性PPI网络，显示出其在临床应用中的潜力[11]。

计算方法近年来得到了快速发展，特别是在处理PPI网络的动态特性和复杂性方面。通过整合生物信息学工具和数据库，研究者能够构建和分析PPI网络，从而揭示潜在的相互作用机制。例如，一种新型的基于基因本体的算法可以有效预测PPI，通过结合模块化分析，研究者可以更好地理解细胞的组织和功能[12]。此外，图神经网络（GNN）等深度学习方法被用于自动化PPI的预测，显著减少了实验所需的时间和资源[13]。

在构建PPI网络时，研究者还面临着如何处理相互作用强度、类型和时空动态等挑战。为了应对这些问题，研究者们正在探索多种计算方法，包括层次图学习模型和图卷积网络，这些方法能够更好地捕捉PPI的结构和功能关系[10]。通过这些先进的计算工具，研究者可以深入理解PPI网络的动态变化和生物学意义，从而推动生物医学研究的进展。

4 PPI网络的分析工具

4.1 网络分析软件

蛋白质-蛋白质相互作用（PPI）网络在生物学中扮演着核心角色，涉及众多生物过程和机制，例如蛋白质复合物的形成和信号转导通路的组成。PPI网络的构建和分析为理解细胞功能、识别潜在的治疗靶点及揭示疾病机制提供了重要的基础。

PPI网络的分析工具和软件在近年来得到了广泛的发展，主要包括实验方法和计算方法。实验方法如酵母双杂交（Y2H）、质谱（MS）、共定位和共免疫沉淀等，能够直接识别PPI对[7]。同时，随着计算生物学的进步，基于生化特性、进化历史和蛋白质结构的计算方法也被应用于PPI的识别，进一步拓展了网络的构建和分析能力[14]。

在PPI网络的分析中，使用中心性测量等网络分析方法可以帮助识别网络中的关键节点和动态变化[15]。此外，结合多种生物信息学工具和数据库，可以构建更为全面的PPI网络，以帮助预测不同细胞类型中的蛋白质相互作用，进而为疾病研究提供线索[16]。

具体的网络分析软件如IsoRank，该软件能够对多个PPI网络进行全局对齐，利用蛋白质的序列相似性和网络拓扑特征来提高相互作用的预测准确性[14]。此外，基于图神经网络的模型也被提出，用于自动化预测PPI，这些方法在效率和资源消耗上优于传统实验技术[17]。

综上所述，PPI网络的分析工具和软件不仅有助于揭示蛋白质相互作用的动态性和复杂性，还在疾病机制的理解和潜在治疗靶点的发现中发挥着关键作用。通过综合利用这些工具，研究人员能够更深入地探索生物学中的复杂网络和机制。

4.2 数据库资源

蛋白质-蛋白质相互作用（PPI）网络在理解生物系统和疾病治疗中发挥着至关重要的作用。PPI网络通过描绘蛋白质之间的相互作用，帮助研究人员深入理解细胞内的生物化学过程以及相关的疾病机制。这些网络的分析工具和数据库资源在这一过程中起到了关键的支持作用。

首先，PPI数据库为研究人员提供了丰富的生物信息学资源，使他们能够探讨蛋白质相互作用的综合特征和模式。根据Fleur Jeanquartier等人（2015年）的研究，生物信息学已经开发出大量数据库和工具，支持分析师在集成层面上探索蛋白质-蛋白质相互作用，以促进知识发现。这些数据库提供预测和关联，指出未来实验研究的可能性，并填补生化过程的空白[18]。

其次，现有的PPI数据库虽然在功能上具有广泛的应用，但通常缺乏对细胞类型特异性差异的考虑。Anthony Federico和Stefano Monti（2021年）指出，许多文献整理的数据库表示的是细胞类型无关的相互作用，而蛋白质动态性是高度依赖其环境的。因此，他们提供了一种通过数据挖掘推断与疾病和组织相关的相互作用的资源，这种资源对于重建和分析以疾病为中心的分子相互作用网络具有重要意义[19]。

此外，Tiago J S Lopes等人（2011年）对六个相互作用数据库的特征进行了评估，并引入了组织特异性基因表达信息，发现这显著改变了相互作用的全景。这表明，整合组织和细胞类型特异性基因表达数据可以提高相互作用或通路预测的准确性[20]。

在PPI网络的分析工具方面，Jianmin Wu等人（2009年）介绍了一种集成多个数据库的网络分析平台（PINA），该平台提供网络构建、过滤、分析和可视化工具。通过对人类PPI网络的分析，研究者们揭示了LKB1与TGFβ信号通路之间的联系，并发现了p53和c-Jun的潜在竞争相互作用者[21]。

综上所述，PPI网络的分析工具和数据库资源不仅为研究人员提供了深入理解生物过程的可能性，还促进了疾病相关分子网络的重建和分析。这些资源的整合与发展，能够更好地支持生物医学研究的前进，助力疾病的诊断和治疗。

5 PPI网络在生物医学中的应用

5.1 疾病机制研究

蛋白质-蛋白质相互作用网络（PPI网络）在生物医学研究中扮演着至关重要的角色，尤其是在疾病机制的研究中。PPI网络不仅展示了细胞内蛋白质之间的相互作用，还揭示了这些相互作用如何影响生物过程、疾病的发展及其潜在的治疗策略。

首先，PPI网络为研究疾病机制提供了一个有效的平台。由于蛋白质的功能往往依赖于其与其他蛋白质的相互作用，了解这些相互作用的网络结构可以帮助科学家揭示疾病的分子基础。例如，Gonzalez和Kann（2012年）指出，蛋白质之间的相互作用对代谢和信号通路的调控至关重要，且疾病通常是由于影响结合界面的突变或导致生化功能失常的变构变化引起的[22]。因此，PPI网络可以用于阐明疾病的分子机制，从而为预防、诊断和治疗提供指导。

其次，PPI网络的构建和分析可以识别与特定疾病相关的基因和蛋白质。Sevimoglu和Arga（2014年）强调，利用PPI网络分析可以识别与疾病相关的基因和蛋白质，研究网络属性，识别子网络，以及基于网络的疾病基因分类。这种分析能够帮助科学家了解复杂的生物系统动态，并为疾病路径的研究提供新的见解[23]。

此外，随着质谱（MS）技术的进步，PPI网络的实验分析得到了显著发展。Kuzmanov和Emili（2013年）讨论了基于质谱的方法在研究PPI网络和蛋白质复合物中的应用，尤其是在癌症、心肌病、糖尿病等常见疾病的分子基础研究中[24]。这种技术的进步使得科学家能够系统性地映射蛋白质之间的物理相互作用，进一步揭示疾病机制。

最后，PPI网络在药物发现和个性化医疗中的应用也愈加重要。Jaeger和Aloy（2012年）指出，生物网络的研究为理解致病机制提供了新的视角，并推动了有效的诊断和治疗策略的开发，尤其是网络药理学概念的应用超越了传统的单一药物和靶点的视角，旨在实现组合疗法以提高临床疗效和减少安全风险[25]。

综上所述，PPI网络在疾病机制研究中的应用，不仅帮助科学家揭示了疾病的分子基础，还推动了新的治疗策略的开发。随着技术的进步，PPI网络的研究将继续为生物医学领域带来新的突破和机遇。

5.2 药物靶点发现

蛋白质-蛋白质相互作用（PPI）网络在生物医学领域中扮演着至关重要的角色，尤其是在药物靶点发现方面。PPI网络不仅揭示了细胞内蛋白质之间的复杂相互作用，还为新药的开发提供了重要的线索。

首先，PPI网络为药物靶点的识别提供了基础。通过分析蛋白质之间的相互作用，研究人员可以识别出在特定生物过程中起关键作用的蛋白质。例如，Liu等人（2024）指出，PPI在细胞过程中至关重要，并且提供了一个有前景的药物靶点发现途径[26]。这些相互作用不仅可以在蛋白质层面进行分析，还可以在残基层面深入研究，进而评估靶点的药物可靶性。

其次，利用PPI网络的拓扑特征可以有效识别潜在的药物靶点。Li等人（2015）提出了一种基于人类PPI网络和图论的方法，通过加权的节点和边来识别靶点蛋白，成功识别出2127个潜在药物靶点，并验证了156个靶点[27]。这一方法展示了PPI网络在高通量虚拟筛选中的潜力。

此外，PPI网络的结构化分析能够帮助研究人员理解药物如何影响细胞网络。Meireles和Mustata（2011）指出，尽管PPI被认为是“难以靶向”的，但仍有大量的努力致力于开发能够利用PPI作为药物靶点的策略[28]。通过高通量筛选、片段药物发现和计算机辅助药物发现等策略，研究者们可以找到小分子调节PPI的有效方法。

最后，网络方法在药物靶点发现中的应用还包括对多靶点药物的开发。Keskin等人（2007）讨论了通过系统生物学方法来靶向PPI，强调了在药物设计中考虑网络系统的重要性[29]。这种方法有助于在靶向特定的病理相关相互作用时提高成功率。

综上所述，PPI网络在药物靶点发现中的应用广泛且多样，通过多层次的分析和网络方法，研究者能够更有效地识别和验证新的药物靶点，从而推动药物发现的进程。

5.3 生物标志物的鉴定

蛋白质-蛋白质相互作用网络（PPI网络）在生物医学领域中扮演着至关重要的角色，尤其是在生物标志物的鉴定方面。PPI网络不仅提供了对细胞过程的深刻理解，还为疾病机制的研究和药物发现提供了有效的平台。PPI网络能够系统性地探索特定疾病的分子复杂性，并为药物设计提供参考[30]。

在疾病研究中，PPI网络的构建使得研究人员能够识别新的生物通路、药物靶点以及亚网络生物标志物。例如，在白血病的研究中，研究者重建了特定于白血病的PPI网络，并结合基因表达数据，识别出与白血病相关的活跃模块，最终提出了一种由97个基因和400个相互作用组成的网络生物标志物，该标志物在白血病的诊断中表现出比传统单一生物标志物更高的准确性[31]。这种网络生物标志物的构建方式，能够更全面地反映疾病的复杂性，超越了单一分子的敏感性诊断指标。

此外，PPI网络还在呼吸系统疾病的生物标志物开发中展现出其重要性。通过识别和验证与疾病特异性相关的相互作用网络和网络生物标志物，研究者能够更好地理解分子发病机制、风险评估、疾病分类以及监测治疗反应等[32]。这种方法的有效性在于它能够捕捉到在疾病发展、进展或治疗过程中功能发生变化的生物标志物。

总的来说，PPI网络的分析不仅有助于识别疾病相关的生物标志物，还为个性化医学和药物开发提供了新的思路。通过深入理解这些网络，研究人员能够更好地应对疾病的复杂性，并为临床应用提供支持[33]。

6 未来发展方向

6.1 新技术的应用

蛋白质-蛋白质相互作用网络（PPI网络）在生物学研究中扮演着重要角色，它们旨在模拟生物体内的相互作用组，提供了理解细胞过程复杂关系的强大工具。这些网络的应用范围广泛，包括功能富集、癌症驱动基因的发现、药物靶点的识别等[4]。通过对人类蛋白质网络的拓扑比较研究，可以揭示不同网络之间的相似性和差异性，从而更好地理解特定基因在不同网络中的作用[4]。

在未来的发展方向上，随着技术的不断进步，PPI网络的构建和分析将越来越依赖于深度学习等新兴技术。这些技术的引入使得对蛋白质相互作用的预测和分析变得更加精确和高效。例如，深度学习已经成为推动计算生物学快速发展的关键因素，相关研究展示了多种深度学习架构在PPI预测中的应用潜力[34]。此外，随着质量更高的蛋白质相互作用网络的建立，研究人员可以更深入地理解细胞的复杂过程和表型的决定因素[35]。

在新技术的应用方面，质谱技术的快速发展为识别相互作用蛋白质和构建全面的PPI网络提供了新的可能性。质谱基础的蛋白质-蛋白质相互作用研究已经揭示了参与DNA损伤反应和修复途径的多种蛋白质，这些发现对生物功能的研究至关重要[36]。同时，更新的PINA平台（版本3.0）集成了统一的人类相互作用组，并结合RNA-seq转录组和基于质谱的蛋白质组数据，为特定癌症类型的PPI网络特征化提供了新的分析工具[37]。

此外，蛋白质-蛋白质相互作用的研究也面临着数据不平衡、高维特征稀疏等挑战，因此需要更为复杂的算法来处理这些问题，以提高预测的准确性和可靠性[34]。在未来，随着技术的进步和研究的深入，PPI网络的构建和应用将更加全面，为理解生物复杂性和疾病机制提供更为强大的支持。

6.2 多组学数据的整合

蛋白质-蛋白质相互作用网络（PPINs）在生物系统中扮演着至关重要的角色，涉及从简单的代谢途径到复杂的多细胞生物体发育等多个层面。通过对这些网络的研究，科学家们能够深入理解细胞功能及其与特定表型之间的联系。尽管高通量测序技术生成了大量分子数据，但在将这些数据转化为功能信息方面仍存在显著的差距，这使得对底层相互作用的理解受到限制[38]。

PPINs的一个主要作用是揭示分子通路，帮助发现潜在的药物靶点或预测治疗结果。这些网络的拓扑结构可以反映出生物系统的复杂性，提供关于蛋白质相互作用的系统性生物学解释。然而，现有的数据常常不完整且易受科学趋势的影响，这可能导致对蛋白质相互作用的错误解读[39]。

在未来的发展方向上，整合多组学数据的方法显得尤为重要。通过将蛋白质相互作用网络与单细胞转录组学数据相结合，可以更高效地识别与疾病相关的候选基因，并提高临床结果的预测准确性[40]。这种集成的机器学习框架能够充分利用不同层次的数据，推动基因优先排序和疾病机制的理解，从而为治疗方案的制定提供更为精准的依据。

此外，随着高通量技术的不断进步，PPINs的预测和分析方法也在不断演化。利用多重关系的蛋白质相互作用网络（MPIN）可以整合不同类型的生物信息，以提高蛋白质复合物预测的精度。这种方法通过考虑不同相互作用的影响，能够更准确地识别具有生物学意义的相互作用[41]。

在生物医学研究中，PPINs的分析不仅能够揭示基础生物学机制，还能在疾病研究和药物发现中发挥重要作用。未来，随着数据整合技术的进步，PPINs将为理解复杂的生物过程提供更为强大的工具，促进精准医学的发展[42]。

7 总结

本报告系统回顾了蛋白质-蛋白质相互作用网络（PPI网络）的基本概念、构建方法、分析工具及其在生物医学中的应用，揭示了PPI网络在理解生物过程、疾病机制及药物靶点发现中的重要性。PPI网络的研究不仅为基础生物学提供了强大的工具，还为临床医学提供了新的视角。当前，PPI网络的构建与分析方法日益多样化，实验方法与计算方法的结合使得研究者能够更加全面地理解细胞内的复杂相互作用。未来的研究方向应聚焦于新技术的应用与多组学数据的整合，这将为PPI网络的深入研究提供更强的支持。随着技术的不断进步，PPI网络的研究将继续推动生物医学领域的突破，助力个性化医疗和疾病的精准治疗。

参考文献

• [1] Robyn M Kaake;Xiaorong Wang;Lan Huang. Profiling of protein interaction networks of protein complexes using affinity purification and quantitative mass spectrometry.. Molecular & cellular proteomics : MCP(IF=5.5). 2010. PMID:20445003. DOI: 10.1074/mcp.R110.000265.
• [2] Michael E Cusick;Niels Klitgord;Marc Vidal;David E Hill. Interactome: gateway into systems biology.. Human molecular genetics(IF=3.2). 2005. PMID:16162640. DOI: 10.1093/hmg/ddi335.
• [3] Petras J Kundrotas;Zhengwei Zhu;Ilya A Vakser. GWIDD: a comprehensive resource for genome-wide structural modeling of protein-protein interactions.. Human genomics(IF=4.3). 2012. PMID:23245398. DOI: 10.1186/1479-7364-6-7.
• [4] Rodrigo Henrique Ramos;Cynthia de Oliveira Lage Ferreira;Adenilso Simao. Human protein-protein interaction networks: A topological comparison review.. Heliyon(IF=3.6). 2024. PMID:38562502. DOI: 10.1016/j.heliyon.2024.e27278.
• [5] Georg Basler;Sergio Grimbs;Oliver Ebenhöh;Joachim Selbig;Zoran Nikoloski. Evolutionary significance of metabolic network properties.. Journal of the Royal Society, Interface(IF=3.5). 2012. PMID:22130553. DOI: 10.1098/rsif.2011.0652.
• [6] Joachim F Uhrig. Protein interaction networks in plants.. Planta(IF=3.8). 2006. PMID:16575597. DOI: 10.1007/s00425-006-0260-x.
• [7] Steven Wang;Runxin Wu;Jiaqi Lu;Yijia Jiang;Tao Huang;Yu-Dong Cai. Protein-protein interaction networks as miners of biological discovery.. Proteomics(IF=3.9). 2022. PMID:35567424. DOI: 10.1002/pmic.202100190.
• [8] Pilar Ortiz-Vilchis;Jazmin-Susana De-la-Cruz-García;Aldo Ramirez-Arellano. Identification of Relevant Protein Interactions with Partial Knowledge: A Complex Network and Deep Learning Approach.. Biology(IF=3.5). 2023. PMID:36671832. DOI: 10.3390/biology12010140.
• [9] Rabiatul-Adawiah Zainal-Abidin;Nor Afiqah-Aleng;Muhammad-Redha Abdullah-Zawawi;Sarahani Harun;Zeti-Azura Mohamed-Hussein. Protein-Protein Interaction (PPI) Network of Zebrafish Oestrogen Receptors: A Bioinformatics Workflow.. Life (Basel, Switzerland)(IF=3.4). 2022. PMID:35629318. DOI: 10.3390/life12050650.
• [10] Ziqi Gao;Chenran Jiang;Jiawen Zhang;Xiaosen Jiang;Lanqing Li;Peilin Zhao;Huanming Yang;Yong Huang;Jia Li. Hierarchical graph learning for protein-protein interaction.. Nature communications(IF=15.7). 2023. PMID:36841846. DOI: 10.1038/s41467-023-36736-1.
• [11] Fenglong Jiao;Clinton Yu;Andrew Wheat;Lijun Chen;Tung-Shing Mamie Lih;Hui Zhang;Lan Huang. DSBSO-Based XL-MS Analysis of Breast Cancer PDX Tissues to Delineate Protein Interaction Network in Clinical Samples.. Journal of proteome research(IF=3.6). 2024. PMID:38334954. DOI: 10.1021/acs.jproteome.3c00832.
• [12] Lun Hu;Xiaojuan Wang;Yu-An Huang;Pengwei Hu;Zhu-Hong You. A Novel Network-Based Algorithm for Predicting Protein-Protein Interactions Using Gene Ontology.. Frontiers in microbiology(IF=4.5). 2021. PMID:34512614. DOI: 10.3389/fmicb.2021.735329.
• [13] Kanchan Jha;Sriparna Saha;Hiteshi Singh. Prediction of protein-protein interaction using graph neural networks.. Scientific reports(IF=3.9). 2022. PMID:35589837. DOI: 10.1038/s41598-022-12201-9.
• [14] Rohit Singh;Jinbo Xu;Bonnie Berger. Global alignment of multiple protein interaction networks with application to functional orthology detection.. Proceedings of the National Academy of Sciences of the United States of America(IF=9.1). 2008. PMID:18725631. DOI: 10.1073/pnas.0806627105.
• [15] Marina L García-Vaquero;Margarida Gama-Carvalho;Francisco R Pinto;Javier De Las Rivas. Biological interacting units identified in human protein networks reveal tissue-functional diversification and its impact on disease.. Computational and structural biotechnology journal(IF=4.1). 2022. PMID:35891788. DOI: 10.1016/j.csbj.2022.07.006.
• [16] Vivian Robin;Antoine Bodein;Marie-Pier Scott-Boyer;Mickaël Leclercq;Olivier Périn;Arnaud Droit. Overview of methods for characterization and visualization of a protein-protein interaction network in a multi-omics integration context.. Frontiers in molecular biosciences(IF=4.0). 2022. PMID:36158572. DOI: 10.3389/fmolb.2022.962799.
• [17] Hang Zhou;Weikun Wang;Jiayun Jin;Zengwei Zheng;Binbin Zhou. Graph Neural Network for Protein-Protein Interaction Prediction: A Comparative Study.. Molecules (Basel, Switzerland)(IF=4.6). 2022. PMID:36144868. DOI: 10.3390/molecules27186135.
• [18] Fleur Jeanquartier;Claire Jean-Quartier;Andreas Holzinger. Integrated web visualizations for protein-protein interaction databases.. BMC bioinformatics(IF=3.3). 2015. PMID:26077899. DOI: 10.1186/s12859-015-0615-z.
• [19] Anthony Federico;Stefano Monti. Contextualized Protein-Protein Interactions.. Patterns (New York, N.Y.)(IF=7.4). 2021. PMID:33511361. DOI: 10.1016/j.patter.2020.100153.
• [20] Tiago J S Lopes;Martin Schaefer;Jason Shoemaker;Yukiko Matsuoka;Jean-Fred Fontaine;Gabriele Neumann;Miguel A Andrade-Navarro;Yoshihiro Kawaoka;Hiroaki Kitano. Tissue-specific subnetworks and characteristics of publicly available human protein interaction databases.. Bioinformatics (Oxford, England)(IF=5.4). 2011. PMID:21798963. DOI: 10.1093/bioinformatics/btr414.
• [21] Jianmin Wu;Tea Vallenius;Kristian Ovaska;Jukka Westermarck;Tomi P Mäkelä;Sampsa Hautaniemi. Integrated network analysis platform for protein-protein interactions.. Nature methods(IF=32.1). 2009. PMID:19079255. DOI: 10.1038/nmeth.1282.
• [22] Mileidy W Gonzalez;Maricel G Kann. Chapter 4: Protein interactions and disease.. PLoS computational biology(IF=3.6). 2012. PMID:23300410. DOI: 10.1371/journal.pcbi.1002819.
• [23] Tuba Sevimoglu;Kazim Yalcin Arga. The role of protein interaction networks in systems biomedicine.. Computational and structural biotechnology journal(IF=4.1). 2014. PMID:25379140. DOI: 10.1016/j.csbj.2014.08.008.
• [24] Uros Kuzmanov;Andrew Emili. Protein-protein interaction networks: probing disease mechanisms using model systems.. Genome medicine(IF=11.2). 2013. PMID:23635424. DOI: 10.1186/gm441.
• [25] Samira Jaeger;Patrick Aloy. From protein interaction networks to novel therapeutic strategies.. IUBMB life(IF=3.2). 2012. PMID:22573601. DOI: 10.1002/iub.1040.
• [26] Jia-Xin Liu;Xiao Zhang;Yuan-Qin Huang;Ge-Fei Hao;Guang-Fu Yang. Multi-level bioinformatics resources support drug target discovery of protein-protein interactions.. Drug discovery today(IF=7.5). 2024. PMID:38608830. DOI: 10.1016/j.drudis.2024.103979.
• [27] Zhan-Chao Li;Wen-Qian Zhong;Zhi-Qing Liu;Meng-Hua Huang;Yun Xie;Zong Dai;Xiao-Yong Zou. Large-scale identification of potential drug targets based on the topological features of human protein-protein interaction network.. Analytica chimica acta(IF=6.0). 2015. PMID:25847157. DOI: .
• [28] Lidio M C Meireles;Gabriela Mustata. Discovery of modulators of protein-protein interactions: current approaches and limitations.. Current topics in medicinal chemistry(IF=3.3). 2011. PMID:21320056. DOI: 10.2174/156802611794072632.
• [29] O Keskin;A Gursoy;B Ma;R Nussinov. Towards drugs targeting multiple proteins in a systems biology approach.. Current topics in medicinal chemistry(IF=3.3). 2007. PMID:17508925. DOI: 10.2174/156802607780906690.
• [30] Tong Hao;Qian Wang;Lingxuan Zhao;Dan Wu;Edwin Wang;Jinsheng Sun. Analyzing of Molecular Networks for Human Diseases and Drug Discovery.. Current topics in medicinal chemistry(IF=3.3). 2018. PMID:30101711. DOI: 10.2174/1568026618666180813143408.
• [31] Xuye Yuan;Jiajia Chen;Yuxin Lin;Yin Li;Lihua Xu;Luonan Chen;Haiying Hua;Bairong Shen. Network Biomarkers Constructed from Gene Expression and Protein-Protein Interaction Data for Accurate Prediction of Leukemia.. Journal of Cancer(IF=3.2). 2017. PMID:28243332. DOI: 10.7150/jca.17302.
• [32] Xiaodan Wu;Luonan Chen;Xiangdong Wang. Network biomarkers, interaction networks and dynamical network biomarkers in respiratory diseases.. Clinical and translational medicine(IF=6.8). 2014. PMID:24995123. DOI: 10.1186/2001-1326-3-16.
• [33] Ichcha Manipur;Maurizio Giordano;Marina Piccirillo;Seetharaman Parashuraman;Lucia Maddalena. Community Detection in Protein-Protein Interaction Networks and Applications.. IEEE/ACM transactions on computational biology and bioinformatics(IF=3.4). 2023. PMID:34951849. DOI: 10.1109/TCBB.2021.3138142.
• [34] Jiafu Cui;Siqi Yang;Litai Yi;Qilemuge Xi;Dezhi Yang;Yongchun Zuo. Recent advances in deep learning for protein-protein interaction: a review.. BioData mining(IF=6.1). 2025. PMID:40524189. DOI: 10.1186/s13040-025-00457-6.
• [35] Ulrich Stelzl;Erich E Wanker. The value of high quality protein-protein interaction networks for systems biology.. Current opinion in chemical biology(IF=6.1). 2006. PMID:17055769. DOI: 10.1016/j.cbpa.2006.10.005.
• [36] Zhen Chen;Junjie Chen. Mass spectrometry-based protein‒protein interaction techniques and their applications in studies of DNA damage repair.. Journal of Zhejiang University. Science. B(IF=4.9). 2021. PMID:33448183. DOI: 10.1631/jzus.B2000356.
• [37] Yang Du;Meng Cai;Xiaofang Xing;Jiafu Ji;Ence Yang;Jianmin Wu. PINA 3.0: mining cancer interactome.. Nucleic acids research(IF=13.1). 2021. PMID:33231689. DOI: 10.1093/nar/gkaa1075.
• [38] Gowri Nayar;Russ B Altman. Heterogeneous network approaches to protein pathway prediction.. Computational and structural biotechnology journal(IF=4.1). 2024. PMID:39035835. DOI: 10.1016/j.csbj.2024.06.022.
• [39] Alicja W Nowakowska;Malgorzata Kotulska. Topological analysis as a tool for detection of abnormalities in protein-protein interaction data.. Bioinformatics (Oxford, England)(IF=5.4). 2022. PMID:35771625. DOI: 10.1093/bioinformatics/btac440.
• [40] Liu Liu;Shao Huang;Feng Jiang;Guoqing Liang;Xiaobin Zhu;Hong Zhu;Weidong Tian. Identifying candidate genes for spermatogenic failure and predicting ICSI outcomes using single-cell RNA sequencing and protein-protein interaction networks.. Human reproduction (Oxford, England)(IF=6.1). 2025. PMID:41033661. DOI: 10.1093/humrep/deaf186.
• [41] Xueyong Li;Jianxin Wang;Bihai Zhao;Fang-Xiang Wu;Yi Pan. Identification of protein complexes from multi-relationship protein interaction networks.. Human genomics(IF=4.3). 2016. PMID:27461193. DOI: 10.1186/s40246-016-0069-z.
• [42] Sarah-Jane Schramm;Vivek Jayaswal;Apurv Goel;Simone S Li;Yee Hwa Yang;Graham J Mann;Marc R Wilkins. Molecular interaction networks for the analysis of human disease: utility, limitations, and considerations.. Proteomics(IF=3.9). 2013. PMID:24166987. DOI: 10.1002/pmic.201200570.

麦伴智能科研服务

轻松定制专业报告

在麦伴科研 (maltsci.com) 搜索更多文献

蛋白质相互作用网络 · 生物医学 · 疾病机制 · 药物靶点 · 高通量技术

---

© 2025 MaltSci 麦伴科研