GO富集分析示例【华为云技术分享】

本文链接： https://blog.csdn.net/devcloud/article/details/94549627

GO是Gene Ontology的简称，是基因功能国际标准分类体系。它旨在建立一个适用于各种物种的，对基因和蛋白质功能进行限定和描述的，并能随着研究不断深入而更新的语言词汇标准。GO分为分子功能（Molecular Function）、生物过程（Biological Process）、和细胞组成（Cellular Component）三个部分。

富集分析主要用于差异基因在GO term的富集程度，颜色越深富集越显著，红色最显著，黄色次之，无色代表富集不显著。

GO term分为三大类，每一类从不同的层面解释基因的生物学功能，我们可以结合生物学问题的特殊性，有针对性的关注GO term：例如我们期望从离子通道这一层面解释植物耐旱，耐盐的的机理，我们可以优先关注细胞组成里面膜蛋白。
GO term间具有包含关系，GO term之间可以构建复杂的结构网络。GO term 层级越低，功能描述越具体，越是低层级，越能解释生物学的问题，所以我们要关注显著富集的低层级GO term，以便具体而详尽的解释生物学问题。
GO富集分析的统计假设，并不能完全代基因功能的重要程度。要结合生物学问题、结合基因的功能注释，才能判断其中的基因变化是否有重要的生物学意义。

这里可以使用clusterProfiler找到富集的GO

安装所需的R包

1 source("https://bioconductor.org/biocLite.R")
2 options(BioC_mirror="http://mirrors.ustc.edu.cn/bioc/")
3 biocLite("org.Hs.eg.db")
4 biocLite("clusterProfiler")
5 install.packages("ggplot2")

进行富集分析

 1 library(org.Hs.eg.db)    
 2 library(ggplot2)    
 3 setwd("D:/medical_service/go_enrich")    
 4 # geneNames <- c("AHNAK2", "AQP7", "DNAH11" , "FLG", "HNRNPCL2", "HRNR" , "KMT2C",    
 5 #               "KMT2D", "MST1L", "MUC12", "MUC16", "MUC17", "MUC19", "MUC3A",     
 6 #               "MUC4", "MUC5B", "MUC6", "PABPC3", "PDE4DIP", "PLEC" , "TTN",    
 7 #               "ANKRD36", "FCGBP", "HERC2", "IGFN1", "KRT18", "SLC25A5", "SYNE2",    
 8 #               "RYR1", "TNS1", "DST", "SYNE1", "TSNARE1", "NBPF19", "NBPF26",    
 9 #               "PRKCB", "ADGRG1", "OPCML")    
10 d1 <- read.table("genenames.txt", header=T, stringsAsFactor =F)    
11 geneNames <- d1$GeneName     
12 gene <-  mapIds(org.Hs.eg.db, geneNames, 'ENTREZID', 'SYMBOL')    
13 BP.params <- enrichGO(   gene   = gene,    
14          OrgDb  = org.Hs.eg.db,    
15          ont   = "BP"  ,    
16          pAdjustMethod = "BH",    
17          pvalueCutoff  = 0.01,    
18          qvalueCutoff  = 0.05)    
19  
20 BP.list <- setReadable(BP.params, org.Hs.eg.db, keyType = "ENTREZID")     
21   
22 dotplot(BP.list, showCategory=30)library(clusterProfiler

如果要做BP， CC， MF的综合柱状图，采用ggplot2

 1 p1 <- ggplot(data=goAll)+  geom_bar(aes(x=Description,y=-log10(pvalue), fill=GOType), stat='identity') + coord_flip() + scale_x_discrete(limits=goAll$Description) 
 2 
 3 ggsave("out_bar.pdf", p1, width = 10, height=6)
 4 
 5 
 6 p2 <- ggplot(Edata, aes(x=GeneRatio, y=`GO description`)) +
 7      geom_point(aes( size= Count , colour = -log10( pvalue ))  ) + scale_y_discrete(limits=Edata$`GO description`)+
 8      ggtitle("GO enrichment")  +  scale_color_gradient(low = 'green', high = 'red') + xlim(range(Edata$GeneRatio)) +
 9      theme(axis.text.x=element_text(angle=0,size=8, vjust=0.7), axis.text.y=element_text(angle=0,size=6, vjust=0.7),plot.title = element_text(lineheight=.8, face="bold", hjust=0.5, size =16), panel.background = element_rect(fill="white", colour='gray'), panel.grid.major = element_line(size = 0.05, colour = "gray"), panel.grid.minor.y = element_line(size=0.05, colour="gray"), panel.grid.minor.x = element_line(size=0.05, colour="gray")
10 )
11 
12 ggsave("out_GO.pdf", p2, width = 8, height=7)

效果如图

GO富集分析示例【华为云技术分享】