Proteins and their functional interactions form the backbone of the cellular machinery. Their connectivity network needs to be considered for the full understanding of biological phenomena, but the available information on protein-protein associations is incomplete and exhibits varying levels of annotation granularity and reliability. The STRING database aims to collect, score and integrate all publicly available sources of protein-protein interaction information, and to complement these with computational predictions. Its goal is to achieve a comprehensive and objective global network, including direct (physical) as well as indirect (functional) interactions. The latest version of STRING (11.0) more than doubles the number of organisms it covers, to 5090. The most important new feature is an option to upload entire, genome-wide datasets as input, allowing users to visualize subsets as interaction networks and to perform gene-set enrichment analysis on the entire input. For the enrichment analysis, STRING implements well-known classification systems such as Gene Ontology and KEGG, but also offers additional, new classification systems based on high-throughput text-mining as well as on a hierarchical clustering of the association network itself. The STRING resource is available online at https://string-db.org/.

Abstract Cellular life depends on a complex web of functional associations between biomolecules. Among these associations, protein–protein interactions are particularly important due to their versatility, specificity and adaptability. The STRING database aims to integrate all known and predicted associations between proteins, including both physical interactions as well as functional associations. To achieve this, STRING collects and scores evidence from a number of sources: (i) automated text mining of the scientific literature, (ii) databases of interaction experiments and annotated complexes/pathways, (iii) computational interaction predictions from co-expression and from conserved genomic context and (iv) systematic transfers of interaction evidence from one organism to another. STRING aims for wide coverage; the upcoming version 11.5 of the resource will contain more than 14 000 organisms. In this update paper, we describe changes to the text-mining system, a new scoring-mode for physical interactions, as well as extensive user interface features for customizing, extending and sharing protein networks. In addition, we describe how to query STRING with genome-wide, experimental data, including the automated detection of enriched functionalities and potential biases in the user's query data. The STRING resource is available online, at https://string-db.org/.

Much of the complexity within cells arises from functional and regulatory interactions among proteins. The core of these interactions is increasingly known, but novel interactions continue to be discovered, and the information remains scattered across different database resources, experimental modalities and levels of mechanistic detail. The STRING database (https://string-db.org/) systematically collects and integrates protein-protein interactions-both physical interactions as well as functional associations. The data originate from a number of sources: automated text mining of the scientific literature, computational interaction predictions from co-expression, conserved genomic context, databases of interaction experiments and known complexes/pathways from curated sources. All of these interactions are critically assessed, scored, and subsequently automatically transferred to less well-studied organisms using hierarchical orthology information. The data can be accessed via the website, but also programmatically and via bulk downloads. The most recent developments in STRING (version 12.0) are: (i) it is now possible to create, browse and analyze a full interaction network for any novel genome of interest, by submitting its complement of encoded proteins, (ii) the co-expression channel now uses variational auto-encoders to predict interactions, and it covers two new sources, single-cell RNA-seq and experimental proteomics data and (iii) the confidence in each experimentally derived interaction is now estimated based on the detection method used, and communicated to the user in the web-interface. Furthermore, STRING continues to enhance its facilities for functional enrichment analysis, which are now fully available also for user-submitted genomes.

In a mouse model of breast cancer, asparagine bioavailability strongly influences metastasis and this is correlated with the production of proteins that regulate the epithelial-to-mesenchymal transition, which provides at least one potential mechanism for how a single amino acid could regulate metastatic progression. Not all cells that derive from a primary tumour contribute to metastasis—the progression of cancer into other parts of the body. Gregory Hannon and colleagues find determinants of metastatic potential in a mouse model of breast cancer. They find that expression of the metabolic enzyme asparagine synthetase is associated with metastasis formation. Decreasing asparagine availability by treatment with ʟ-asparaginase or by dietary restriction reduced the development of metastasis. The authors show that asparagine availability promotes an epithelial-to-mesenchymal transition, a process that has been linked to metastasis. Using a functional model of breast cancer heterogeneity, we previously showed that clonal sub-populations proficient at generating circulating tumour cells were not all equally capable of forming metastases at secondary sites1. A combination of differential expression and focused in vitro and in vivo RNA interference screens revealed candidate drivers of metastasis that discriminated metastatic clones. Among these, asparagine synthetase expression in a patient’s primary tumour was most strongly correlated with later metastatic relapse. Here we show that asparagine bioavailability strongly influences metastatic potential. Limiting asparagine by knockdown of asparagine synthetase, treatment with l-asparaginase, or dietary asparagine restriction reduces metastasis without affecting growth of the primary tumour, whereas increased dietary asparagine or enforced asparagine synthetase expression promotes metastatic progression. Altering asparagine availability in vitro strongly influences invasive potential, which is correlated with an effect on proteins that promote the epithelial-to-mesenchymal transition. This provides at least one potential mechanism for how the bioavailability of a single amino acid could regulate metastatic progression.

Different clones of a mammary tumour cell line possess differential abilities to contribute to the formation of metastasis; the expression of Serpine2 and Slp1 proteins drives vascular mimicry and metastasis to the lung, with similar associations observed in human data sets, and these proteins also function as anticoagulants, thus further promoting extravasation of tumour cells. Using a mouse model of tumour heterogeneity that can be perturbed genetically to validate drivers of specific clonal behaviours, Elvin Wagenblast et al. demonstrate that different clones of a mammary tumour cell lines possess different abilities to contribute to the formation of metastasis. The expression of Serpine2 and Slpi proteins correlates with lung metastasis, and similar associations were observed in human datasets. Serpine2 and Slpi act as anticoagulants and also allow tumour cells to undergo vascular mimicry, whereby the tumour cells themselves form part of blood vessels and contribute to increased intravasation by building more leaky blood vessels. Cancer metastasis requires that primary tumour cells evolve the capacity to intravasate into the lymphatic system or vasculature, and extravasate into and colonize secondary sites1. Others have demonstrated that individual cells within complex populations show heterogeneity in their capacity to form secondary lesions2,3,4,5. Here we develop a polyclonal mouse model of breast tumour heterogeneity, and show that distinct clones within a mixed population display specialization, for example, dominating the primary tumour, contributing to metastatic populations, or showing tropism for entering the lymphatic or vasculature systems. We correlate these stable properties to distinct gene expression profiles. Those clones that efficiently enter the vasculature express two secreted proteins, Serpine2 and Slpi, which were necessary and sufficient to program these cells for vascular mimicry. Our data indicate that these proteins not only drive the formation of extravascular networks but also ensure their perfusion by acting as anticoagulants. We propose that vascular mimicry drives the ability of some breast tumour cells to contribute to distant metastases while simultaneously satisfying a critical need of the primary tumour to be fed by the vasculature. Enforced expression of SERPINE2 and SLPI in human breast cancer cell lines also programmed them for vascular mimicry, and SERPINE2 and SLPI were overexpressed preferentially in human patients that had lung-metastatic relapse. Thus, these two secreted proteins, and the phenotype they promote, may be broadly relevant as drivers of metastatic progression in human cancer.