R语言爬虫实战：从TCMSP自动抓取中药靶点并构建网络图

做网络药理学的人应该都经历过这个阶段文献里到处都是TCMSP、OB、DL、靶点预测这些词真到自己动手的时候第一步取数据就被卡住了。TCMSP确实能查但是你要把几十个成分、上百个靶点一个一个从网页上复制到Excel再手动去重、匹配基因名一晚上就这么过去了。我第一次做中药-靶点网络图的时候就是这么干的后来痛定思痛把所有能自动化的环节全部用R语言脚本化才有了这套从网页爬虫到最终网络图输出的完整流程。这篇文章我不讲虚的直接把整个流程拆开给你看怎么分析TCMSP的请求结构怎么写爬虫脚本怎么用R语言清洗数据怎么构建中药-靶点网络图以及我踩过哪些坑。全文用一套真实的代码串下来你只要能跑通R跟着抄就行。1. 项目概述为什么要把TCMSP、R和爬虫放在一起1.1 这个项目到底在解决什么问题中药-靶点网络分析的常规操作是选定一味中药在TCMSP数据库里查到它的活性成分再查每个成分对应的靶点蛋白最后把这些关系画成一张网络图。听起来很简单但实际执行的时候你会发现三个痛点。第一个痛点是数据量大。一味中药通常有几十个甚至上百个化学成分每个成分又对应多个靶点一个项目下来动辄上千条关系记录。手动复制粘贴不仅慢而且容易出错——我见过有人把两行数据贴反导致后面整个靶点富集分析都错了。第二个痛点是数据格式不统一。TCMSP返回的表格里有成分ID、分子名称、OB值、DL值、靶点名称等十几列有些列名在不同页面里还不一样。直接下载下来用Excel打开中文可能乱码列名可能有空格目标基因名称时而是标准Symbol、时而是UniProt ID这些都需要清洗。第三个痛点是重复工作。今天分析黄芪明天分析丹参后天分析一个复方如果每次都手动操作同样的清洗逻辑要写三遍。但只要你把爬虫和清洗脚本封装成函数换一味药只是改一个参数的事。所以我做这个项目的目标很明确输入一位中药的英文名或拼音输出一张可以直接放进论文里的中药-靶点网络图中间所有环节都自动化。1.2 为什么选TCMSP而不是其他数据库搞药物靶点预测的数据库其实不少比如STITCH、SwissTargetPrediction、Batman-TCM但我个人最常用的还是TCMSP。原因有几点。TCMSP的全称是Traditional Chinese Medicine Systems Pharmacology Database and Analysis Platform由西北农林科技大学团队开发2014年发表在Journal of Cheminformatics上算是中药网络药理学领域引用率最高的数据库之一。它的数据覆盖面广包含了近500味中药材、3万多个化学成分、3千多个靶点以及相关的疾病信息尤其适合做中药全成分分析。另外它的数据字段是现成的OB口服生物利用度和DL类药性这两个筛选指标直接列在表格里不需要自己再去其他数据库计算。做网络药理学的时候这两个指标几乎绕不开TCMSP直接给出来就能省很多事。TCMSP的劣势是网页技术比较老旧批量操作极其不友好。这个数据库没有提供公开的API接口想要自动拿数据就必须走网页请求的路子。这就引出了下面的话题所谓的爬虫本质上就是把浏览器里手动点击的过程变成用代码发HTTP请求的过程。1.3 为什么流程搭建选择R语言而不是Python说到爬虫大多数人第一反应是Python这没有错。但我的场景比较特殊因为整个分析链条的后半段——数据清洗、网络构建、可视化——我是打算在R里完成的。如果爬虫用Python那我就要在两套语言之间反复切换数据还得通过CSV文件中转流程上多出不少麻烦。R语言在生物信息学领域有天然优势尤其是Bioconductor体系的包比如org.Hs.eg.db做基因ID转换、clusterProfiler做富集分析这些都是Python生态里没有的对等替代。rvest包做HTML表格解析也足够顺手处理TCMSP这种老式网页完全够用。如果你本身熟悉Python也可以用requestsBeautifulSoup完成爬虫部分最后把结果存成CSV再给R用。这两种方案我都试过但最终保留了R单语言方案收益是流程更好维护一个脚本从头跑到尾不容易在语言切换的过程中丢信息。2. 环境准备与包管理先把地基打好2.1 R和RStudio的基础安装如果你电脑上还没有R环境先去CRAN的国内镜像下载R安装包安装的时候保持默认选项即可。装完之后我建议再装一个RStudio它不是必需的但确实好用代码高亮、变量查看、绘图预览都方便很多。R语言本身是一个解释型语言安装完成后打开RStudio在Console窗口输入version能看到版本信息就说明环境没问题。TCMSP相关的分析对R版本没有特殊要求3.6以上就能跑但如果你要用最新版的dplyr或ggplot2还是建议把R升级到当前的最新稳定版。老版本的R在安装某些依赖包的时候会报错比如tidyverse里的某些包要求R版本不低于4.0这一点装包的时候注意看提示就行。2.2 需要安装的R包清单与作用这个项目会用到这么几类包我按功能列一下方便你对照安装。rvest核心爬虫包用于发送HTTP请求和解析HTML表格本项目的爬虫部分全靠它。httr底层请求工具处理User-Agent、Referer、Cookie等细节很多时候需要和rvest搭配使用。dplyr和tidyr数据清洗利器负责筛选OB/DL值、去重、列名重命名等操作。stringr字符串处理比如从靶点名称里去掉多余空格、统一大小写。igraph网络分析核心包负责构建图和计算网络属性。ggraph基于ggplot2的网络可视化包画出来的图比igraph自带绘图函数美观得多。安装命令很简单在RStudio里一行搞定。install.packages(c(rvest, httr, dplyr, tidyr, stringr, igraph, ggraph))如果你安装ggraph时遇到依赖问题通常是因为它的底层依赖tidygraph和graphlayouts还没装好。可以先把这两个包装上再回头装ggraph这样报错概率低很多。2.3 项目目录结构的设计思路动手写代码之前建议先规划好项目目录。我的习惯是建一个项目文件夹里面划分成scripts、data、output三个子目录。scripts放R脚本data放原始爬取的数据output放清洗后的表格和网络图文件。这个分法看起来很基础但实际项目中能省下不少事。TCMSP爬虫脚本需要跑一段时间中间可能会断跑出来的数据先存成RDS格式存放在data目录即使后续脚本改坏了也不用从头再爬一遍。R语言里保存中间数据用的是saveRDS()和readRDS()比反复读写CSV要快而且能保留数据类型信息。3. 拆解TCMSP的请求结构爬虫前必须先学会看网页3.1 用浏览器开发者工具查真实请求写爬虫之前最重要的一步是搞清楚TCMSP网页提交请求时到底发了一个什么样的HTTP请求。很多人一上来就写代码结果怎么都抓不到数据问题往往出在这里。以我目前使用的情况来看TCMSP的入口地址是一个PHP文件你在首页搜索框里输入草药名称点击搜索之后浏览器会向服务器发送一个带参数的GET请求。参数里有两个关键字段一个表示搜索关键字另一个表示搜索类型比如搜索草药时类型就是herb_all搜索某个具体成分时类型就是mol_all。验证方法很直接在浏览器里打开TCMSP首页按F12进入开发者工具切到Network面板然后在搜索框里输入黄芪的英文名Astragalus点击搜索。观察Network面板里新出现的那个请求点开看它的Query String Parameters就能看到实际发送的参数名和值。这个操作每次写爬虫前都要做一遍因为网站改版后参数名可能会变直接抄旧代码很可能失效。3.2 用httr包模拟请求拿到HTML确认好请求地址和参数之后用httr包模拟请求就很简单了。核心思路是把参数放进query列表同时设置User-Agent伪装成浏览器避免被服务器拒绝。library(httr) library(rvest) base_url - http://tcmsp-e.com/tcmsp.php resp - GET( base_url, query list( qr Astragalus, qsr herb_all ), add_headers( User-Agent Mozilla/5.0 (Windows NT 10.0; Win64; x64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/120.0 Safari/537.36, Referer http://tcmsp-e.com/ ), timeout(30) ) if (resp$status_code 200) { page - content(resp, as parsed, encoding UTF-8) tables - html_table(page, fill TRUE) message(成功获取页面共解析到 , length(tables), 张表格) } else { message(请求失败HTTP状态码, resp$status_code) }这一步是整个项目的起点。status_code返回200表示请求成功如果返回403或503多半是User-Agent没设置好或者请求频率太高被暂时限制了。遇到这种情况先检查请求头再考虑降低访问频率。3.3 解析HTML表格时怎么定位目标表html_table()返回的是一个列表列表里每一个元素就是网页中的一张表格。问题在于TCMSP的结果页面包含多张表有筛选栏、有成分列表、有页脚信息你不能假设第1张表就是要的数据。我的做法是先循环检查所有表格的列名打印出来看一眼再根据列名判断哪张是成分表。for (i in seq_along(tables)) { cat(表格, i, 的列名为, paste(colnames(tables[[i]]), collapse | ), \n) }通常成分表的列名里会包含MOL ID、Molecule Name、OB(%)这些字段。定位到目标表之后再把它单独提取出来。TCMSP返回的表格列名可能有空格或特殊符号比如OB(%)这时候在dplyr里操作要用反引号包裹列名否则会报错。4. 数据抓取完整实操从一味药到完整的成分-靶点关系表4.1 抓取中药成分列表并记录原始数据拿到HTML并定位到成分表之后下一步是提取成分列表并且立刻把原始数据保存一份。这一步不要急着清洗先存档再说。herb_raw - tables[[target_index]] saveRDS(herb_raw, data/herb_raw.rds)保存原始数据的好处是哪怕后面清洗逻辑写错了也可以随时回到起点重新来。你也不需要每次调试都重新访问TCMSP既省时间又避免对公共数据库造成压力。有一点要提醒TCMSP的成分列表并不直接等于中药的活性成分它只是这个药材里检测到的化学成分集合。究竟哪些算活性成分需要后面的OB和DL指标来筛选。所以这一步你不用动手砍数据把全量成分都保留下来后面再做判断。4.2 根据成分ID逐个抓取靶点成分列表里每一行都有一个MOL ID它是TCMSP里每个化学分子的唯一编号。接下来我们需要拿着这个编号去请求成分详情页从详情页里解析出靶点表格。这里涉及一个循环请求的过程是整个项目里耗时最长的环节。以黄芪为例TCMSP里收录了大约80多个化学成分抓取每个成分的靶点页面需要几秒钟整个循环跑下来大概三四分钟。如果换成复方几百个成分循环一遍就要比较久了。循环里一定要控制请求频率每次请求之间至少间隔2秒我习惯用Sys.sleep(3)宁可慢一点也不要触发服务器的限流机制。代码结构大致如下。mol_ids - herb_raw$MOL ID target_list - list() for (mol_id in mol_ids) { resp - GET( base_url, query list(qr mol_id, qsr mol_all), add_headers( User-Agent Mozilla/5.0 (Windows NT 10.0; Win64; x64) AppleWebKit/537.36 Chrome/120.0 Safari/537.36 ), timeout(30) ) page - content(resp, as parsed, encoding UTF-8) tab - html_table(page, fill TRUE) # 找到包含靶点信息的目标表这里以列名里出现Gene name或Target为判断依据 target_tab - NULL for (t in tab) { if (any(grepl(Gene|Target, colnames(t)))) { target_tab - t break } } if (!is.null(target_tab)) { target_tab$MOL_ID - mol_id target_list[[mol_id]] - target_tab } Sys.sleep(3) } all_targets_raw - do.call(rbind, target_list) saveRDS(all_targets_raw, data/all_targets_raw.rds)这里有一个细节值得注意循环里对每个成分都做了tryCatch式的判断即使某个成分页面解析失败也不会中断整个流程最多就是丢掉这一个成分的数据。实际运行的时候我碰到过个别MOL ID请求反复超时的情况这种通常是网站服务器临时不稳定稍后重跑一次脚本就能补上。4.3 批量请求时的网络异常处理采集环节最大的敌人是网络不稳定而不是你代码写错。我在实际跑脚本时遇到过几次情况连续请求几十个页面之后服务器开始返回空页面status_code还是200但解析出来没有任何表格。这种问题非常隐蔽因为程序没有报错表面上看一切正常实际数据已经丢了。解决办法是加一层校验在解析表格之后检查结果是否为空如果为空就重试。重试次数可以设置成3次每次重试前等待更长的时间比如10秒。这种过载保护机制在正式运行脚本时很有必要尤其是当你需要一口气抓几百个成分的时候。retry_count - 0 while (retry_count 3 is.null(target_tab)) { Sys.sleep(10) # 重新请求和解析 retry_count - retry_count 1 }4.4 把成分和靶点合并成一张关系表靶点抓完之后我们手上有了两份数据一份是成分信息表herb_raw一份是成分-靶点对应表all_targets_raw。下一步是把它们合并成分析用的关系表。合并的目标很明确就是构造一个包含三列的数据框成分名称、成分ID、靶点基因名。这里的关键是搞清楚哪一列是靶点基因名。TCMSP靶点表里不同版本给出的列名不完全一样有时候是Gene name有时候是Target还有时候直接给UniProt ID。你要根据实际抓取到的列名做调整。library(dplyr) relations - all_targets_raw %% left_join(herb_raw %% select(MOL ID, Molecule Name, OB(%), DL), by MOL ID) %% rename( compound Molecule Name, target Gene name ) %% select(compound, target, MOL_ID MOL ID, OB OB(%), DL) %% filter(!is.na(target), target ! ) %% distinct()合并完之后一定要做distinct去重因为同一个成分对同一个靶点可能多次出现网络图里重复的边没有任何意义。5. 数据清洗与核心阈值筛选别让垃圾数据毁了你的网络图5.1 OB和DL阈值怎么定才有说服力TCMSP里面存储的是全量化学成分数据这并不意味着每个成分都要进入后续分析。口服生物利用度OB表示药物经口服后被机体吸收进入循环系统的速度和程度类药性DL用来衡量一个化合物与已知药物在结构上的相似程度。这两个值越高的成分理论上越有可能成为发挥药效的活性成分。目前学术界使用最广泛的标准是OB大于等于30DL大于等于0.18这个标准最早来自TCMSP数据库自身的推荐后续大量文献沿用已经形成了一个约定俗成的参考线。我自己的习惯是筛选的时候用这两个指标但在论文里会明确写出筛选标准并且把筛选前后的成分数量对比列出来这样审稿人看了会更信服。active_compounds - relations %% filter(OB 30, DL 0.18) %% distinct(compound, MOL_ID, OB, DL)有一个容易忽略的地方OB和DL筛选应该作用在成分层面而不是关系层面。你先通过成分表筛出符合条件的活性成分再拿这些成分去关联靶点而不是先把所有关系表建好再按OB和DL过滤关系行。两者结果可能有细微差别逻辑上前者更清晰。5.2 靶点名称的统一与ID转换TCMSP返回的靶点基因名通常用的是官方Symbol比如PTGS1、ESR1、NOS3这种格式直接拿来做网络图没有问题。但如果你后续要做通路富集分析或者要跟疾病靶点取交集最好把基因Symbol统一转换为Entrez ID或Ensembl ID这样不同数据源之间才能精确匹配。R里面做ID转换用的最多的是Bioconductor的org.Hs.eg.db包。这个包装起来比普通CRAN包稍微麻烦一点需要用BiocManager安装。if (!requireNamespace(BiocManager, quietly TRUE)) install.packages(BiocManager) BiocManager::install(org.Hs.eg.db)转换逻辑很简单把基因Symbol作为key映射到Entrez ID即可。library(org.Hs.eg.db) symbols - unique(relations$target) entrez_map - AnnotationDbi::mapIds( org.Hs.eg.db, keys symbols, keytype SYMBOL, column ENTREZID )需要说明的是mapIds在某些基因映射不到时会返回NA这些缺失值需要人工检查一下我遇到过TCMSP的靶点列表里含有非人类基因的情况这在做人体靶点分析时需要剔除。5.3 关系表里隐含的常见脏数据清洗关系表时最烦的不是格式问题而是语义层面的杂质。我举几个实际遇到过的例子。有些靶点名称里带有括号注释比如ESR1 (estrogen receptor 1)实际上gene symbol只是ESR1。直接用这个带注释的字符串去做网络图你会看到两个节点一个是ESR1一个是ESR1 (estrogen receptor 1)数据被错误拆分成两个靶点。处理方式是用正则表达式把括号里的注释去掉只保留前面的标准化名称。还有些成分名称本身会重复同一个化学成分在不同列表里出现了多次合并的时候如果不做distinct网络图的边就会重复计算节点之间的连线条数虚高影响后续度中心性的计算。另外TCMSP靶点表里我见过空行和占位符比如某些行只有MOL ID靶点列是空的或者一个横杠。这些行在构建网络图时必须剔除不然igraph会把它当成一个名称是NA的节点导致画图的时候报错。5.4 多成分对应同一靶点的去重逻辑网络分析中还有一个细节就是多成分对同一靶点的关系如何处理。假设黄芪里有10个成分都作用在PTGS1上那么在边表里会有10条记录都是compound到PTGS1。igraph会自动把它们变成10条平行边画出来的网络图上两个节点之间会有10根线叠在一起非常难看。处理方式看你分析的目的。如果只是想展示成分与靶点之间的关联关系建议保留一条边如果你想在节点或边的属性里记录成分数量那可以在去重之前先统计次数把次数作为边的权重属性存下来。network_edges - active_relations %% group_by(compound, target) %% summarise(weight n(), .groups drop)这样处理之后边的数据里多了一列weight后续在网络图里可以把weight映射为边的粗细或透明度既美观又保留了原始信息。6. 中药-靶点网络图构建与可视化让你的数据变成一张能发表的好图6.1 用igraph构建网络对象igraph是R语言里最经典、最稳定的网络分析包。构建网络的第一步是加载igraph库然后通过graph_from_data_frame函数把边表转换成图对象。library(igraph) g - graph_from_data_frame(network_edges[, c(compound, target)], directed FALSE)这里directedFALSE表示构建无向网络因为成分和靶点之间的作用关系本身不分方向。如果你后续想分析调控方向比如激活或抑制那就需要用有向图但TCMSP本身的数据不包含这类信息所以通常用无向图就够了。构建完图对象之后可以顺手给节点加一个类型属性。节点分为成分和靶点两类加这个属性是为了画图时用颜色区分不同类型也方便后续做网络拓扑分析。V(g)$type - ifelse(V(g)$name %in% network_edges$compound, compound, target)网络构建完成后用summary(g)看一下节点数和边数。如果节点数跟你的预期差距很大比如莫名多出几十个节点赶紧回去查数据清洗那一步大概率是靶点名称里混入了杂质。6.2 用ggraph美化网络图的实操代码igraph自带的plot函数能快速出图检查数据结构够用但要放进论文或汇报材料里就不太够看了。我推荐用ggraph包做美化它基于ggplot2的语法体系出图风格统一而且可定制性很强。library(ggraph) library(tidygraph) tg - as_tbl_graph(g) p - ggraph(tg, layout kk) geom_edge_link(aes(width weight), alpha 0.3, color grey60) geom_node_point(aes(color type), size 3) scale_color_manual(values c(compound #E76F51, target #2A9D8F)) scale_edge_width(range c(0.5, 2)) theme_void() theme(legend.position bottom) ggsave(output/network_ggraph.png, p, width 8, height 6, dpi 300)layout kk表示使用Kamada-Kawai布局算法这种布局在节点数量不算太多的时候表现很好节点之间的相对位置能比较直观地反映拓扑距离。如果你发现画的图太挤可以换成layout fr是Fruchterman-Reingold算法对中等规模网络的可读性更好。两个都试试看哪个顺眼用哪个。6.3 节点太多时怎么让图更清晰中药-靶点网络最常遇到的问题就是节点太多画出来一团黑。活性成分加对应靶点动不动就是上百个节点全部画在一张图里必然杂乱。我常用的做法是按节点度数做过滤。度数指的是一个节点连接了多少条边在网络里度越高的节点通常越重要。如果一张图上节点太多可以先只保留度排名前50的节点其余藏在布局里的小节点暂时不放出来。deg - degree(g) top_nodes - names(sort(deg, decreasing TRUE))[1:50] g_pruned - induced_subgraph(g, top_nodes)这个方法特别适合做PPT汇报先展示核心子网络再展开说明全网络。网络上还有一个通用技巧就是把节点标签藏起来。节点多到一定程度标签只会互相遮挡根本看不清不如导出图片后在后期工具里单独标注重点节点。6.4 导出为Cytoscape可用的GraphML格式igraph绘制的图适合做快速浏览和汇报但如果你要深入研究网络拓扑属性或者把网络拿去跟疾病靶点做交集分析我建议导出到Cytoscape里操作。Cytoscape是专门做生物网络可视化的软件很多网络药理学论文里的精美网络图都是在Cytoscape里完成的。igraph导出Cytoscape格式非常简单GraphML是一种通用的XML格式Cytoscape可以直接打开。write.graph(g, output/tcmsp_network.graphml, format graphml)打开Cytoscape之后用File Import Network from File选择这个graphml文件即可。导入后节点类型和边的权重属性都会保留你可以用Cytoscape的样式编辑器给成分和靶点设置不同的形状和颜色也能用它的Network Analyzer插件直接计算度中心性、介数中心性等指标。7. 常见问题排查实录这些坑我替你已经踩过了7.1 网页表格解析出来是空行或0行这个问题我在TCMSP改版期间遇到过原因多半是html_table()解析时表格里有些行是合并单元格或者嵌套表格。一般情况下可以先试一下html_table的fill参数正常情况下填TRUE就不会报错。如果还是解析不出来改用更底层的办法直接抽取所有td单元格内容。cells - page %% html_nodes(table td) %% html_text()拿到的cells是一个文本向量再根据你已知的列数手动切分成数据框。这属于暴力解法但确实能解决一些表格嵌套造成的解析问题。7.2 中文药名搜索时返回异常结果TCMSP虽然支持中文或拼音检索但爬虫请求时涉及URL编码问题。我建议直接在请求参数里使用药材的标准拉丁名或英文名比如黄芪用Astragalus丹参用Salvia miltiorrhiza这样能避免编码不一致带来的麻烦。如果你确实需要按中文名搜索记得先用URLencode()对中文进行编码再放进query里。R中可以用以下方式处理。keyword - URLencode(黄芪, reserved TRUE)另外要确认TCMSP的qsr参数是herb_all还是herb_name。不同搜索模式下参数值不同直接看浏览器Network面板最靠谱。7.3 网络图节点数比预期多很多节点数异常增加的根源基本都在数据清洗环节。最常见的原因是靶点列里混入了一列非靶点信息比如把靶点表的序号列或蛋白描述列误当成基因名。排查方法很简单检查relations表里target列的唯一值数量然后随机抽几个值去TCMSP页面人工比对。还有一种情况是成分列里有多余的空白字符串导致igraph创建了一个名字为空的节点。清洗时用filter(!is.na(compound), compound ! )把空值去掉问题就能解决。7.4 请求过于频繁被服务器拒绝TCMSP是公共学术数据库没有强反爬机制但如果你在短时间内发起大量请求服务器还是会返回异常响应。我在跑复方成分的时候有过一次惨痛教训脚本里忘记加Sys.sleep连续请求了三百多次跑到一半开始出现大量空响应页面解析结果全部缺失最后被迫从头再来。我的建议是每次请求之间至少等待2到3秒批量抓取上百个成分时把间隔拉长到5秒。这种看似低效的做法实际运行下来反而更高效因为你不用反复重试也不会触发限流。另外尽量在工作时间非高峰时段运行脚本比如上午或者深夜对数据库服务器也更友好。7.5 保存的CSV在Excel里打开乱码如果你把清洗好的数据保存成CSV然后用Excel打开很可能会看到中文乱码。原因是R写CSV默认用UTF-8编码而Windows版的Excel默认按本地编码解析。解决方案有两个一是用write.csv的时候加上fileEncoding UTF-8-BOM这样Excel能识别二是干脆存成RDS或xlsx格式避开编码问题。write.csv(clean_data, output/clean_data.csv, row.names FALSE, fileEncoding UTF-8-BOM)如果是你自己后续在R里继续分析我其实最推荐saveRDS()RDS格式读取速度快、数据类型不会丢失是R语言内部交换数据的最佳选择。8. 这套流程还能怎么延伸从单味药到复方和疾病靶点这套自动化流程的价值不在于跑通一味药而在于把方法复用到更复杂的场景里。我做完单味药分析之后立刻把代码封装成了函数默认参数是药材名称和保存路径这样下次分析其他药材一行代码就能启动。往复方方向扩展时只需要把多味药材的成分表合并后再去重。比如你分析一个含有5味药材的方子每味药材抓一次成分列表合并之后做OB和DL筛选再去抓靶点网络图就自动变成复方-靶点网络。这个网络里还能进一步区分某个成分来自哪几味药材算是一张更复杂的二分网络扩展价值很高。往疾病方向扩展时可以下载DisGeNET或GeneCards的疾病靶点数据跟TCMSP预测靶点取交集就能筛选出中药作用于疾病的关键靶点。再配合clusterProfiler做GO和KEGG富集分析就是一篇标准网络药理学论文里从预测到机制的核心数据链条。我在实际做课题的时候通常是把R语言爬虫出数据、igraph网络分析、clusterProfiler富集分析三个环节串成一个完整的R脚本跑完自动输出所有图表。前期搭建脚本比较费时间但一个流程跑顺之后后续每换一味药、一个方子基本就是改一个参数的事。个人最深的体会是网络药理学分析里那些看起来高深的网络图真正决定成败的反而是最基础的取数环节数据取干净了后面所有的分析都是锦上添花数据一旦是脏的后面跑得再漂亮的图也只是自我安慰。希望这套流程能帮你少走一些我当时走过的弯路。