差异分析完成之后，可以做一个蛋白互作网络分析，看看差异蛋白只能有那些基因间存在相互作用。
实现这样的目标，方法有多种。一般比较常见的是采用STRING 这个网站，在网站上分析。其实采用R包STRINGdb也可以实现。代码参考如下：

############################################################
# 安装STRINGdb 软件包
# source("https://bioconductor.org/biocLite.R")
# biocLite("STRINGdb")
############################################################
library(STRINGdb)

# 设置程序参数
work_dir <- "/Users/zhangqiuxue/Documents/Train/TCGA/lab/PPI" 
deg_file <- "/Users/zhangqiuxue/Documents/Train/TCGA/lab/DEG/DE_genes.txt"

setwd(work_dir)

# 获取物种的分类编号
# get_STRING_species(version="10", species_name=NULL) 
# 9606 代表人类
string_db <- STRINGdb$new(version="10", species=9606,
                           score_threshold=700, input_directory= work_dir)

# 读取差异表达的文件，获得差异表达基因列表
degs = read.table(deg_file,header=T,comment.char = "",check.names=F)
degs$gene <- rownames(degs)
head(degs)

# 查看有多少差异表达的基因需要分析 
cat("Total deg genes:", dim(degs)[1])

# 将基因的ID map 到string 数据库中， 不一定每个基因都能map上
deg_mapped <- string_db$map( degs, "gene", removeUnmappedRows = TRUE )

# 查看有多少ID map 上了 
cat("Total String id mapped :", dim(deg_mapped)[1])


# 设置绘图相关的参数
options(SweaveHooks=list(fig=function()
  par(mar=c(2.1, 0.1, 4.1, 2.1))))

# 筛选出一部分结果，进行绘图
hits <- deg_mapped$STRING_id[1000]

# 绘图
string_db$plot_network( hits,required_score =700)


# 将所有的结果输出到文件，后面采用cytoscape 进行网络分析
info <- string_db$get_interactions(deg_mapped$STRING_id)
write.table(info, file = "STRING_info.txt",sep="\t", row.names =F, quote = F)

# 采用igraph 进行聚类分析
clustersList <- string_db$get_clusters(deg_mapped$STRING_id)

# 设置绘图参数
options(SweaveHooks=list(fig=function()
  par(mar=c(2.1, 0.1, 4.1, 2.1))))

# 绘制前4个聚类图
par(mfrow=c(2,2))
for(i in seq(1:4)){
  string_db$plot_network(clustersList[[i]])
}

最后来看看效果吧，是不是在很多文章中见过？，其实在PPI网络构建完之后，还可以对网络进行分析，分析一些子网络和hug的基因。