从基因名到GO注释一步到位

Posted on by

大部分的生物学高通量数据处理后都是得到基因集，不管是上调下调表达基因集，还是共表达的模块基因集，都是需要注释到生物学功能数据库来看基因集的意义，最常见的是GO/KEGG数据库啦，还有很多其它在MsigDB的，比如reactome和biocarta数据库等等。

这样分析起来就很麻烦，尤其是GO数据库，还有BP,CC,MF的区别，这个时候推荐使用Y叔的神器：

library(ggplot2)
library(stringr)
library(clusterProfiler)
# 我这里演示的是brown_down_gene，是WGCNA的一个模块，基因集
# 因为表达矩阵是symbol，所以需要转为ENTREZID，才能走clusterProfiler的函数。
gene.df <- bitr(brown_down_gene$symbol, fromType="SYMBOL",
 toType="ENTREZID", 
 OrgDb = "org.Hs.eg.db")
go <- enrichGO(gene = gene.df$ENTREZID, OrgDb = "org.Hs.eg.db", ont="all")
barplot(go, split="ONTOLOGY")+ facet_grid(ONTOLOGY~., scale="free")

会得到如下所示的图，当然，理解起来需要耗费一点功夫，如果你是第一次看到的话！不仅仅是要理解GO数据库，以及BP,MF,CC的分类系统，超几何分布检验，不同的阈值过滤，筛选指标等等。

image-20190831204758758

因为上面的代码并没有修改默认的统计学指标筛选参数，如果你的基因确实没有规则，有可能拿不到结果哦！这个时候可以设置： pvalueCutoff = 0.9, qvalueCutoff =0.9 甚至为1，来不做筛选。而且基因集的大小也是被限制了。

如果你想分开计算上下调基因的GO数据库注释

而且还想保留富集分析结果到csv文件，代码如下：

library(ggplot2)
library(stringr)
library(clusterProfiler)
# 通过前面的差异分析，我们拿到了 gene_up 和 gene_down 这两个基因集
# 后面的分析，只需要 gene_up 和 gene_down 这两个变量即可
go_up <- enrichGO(gene_up, 
 OrgDb = "org.Hs.eg.db", 
 ont="all",
 pvalueCutoff = 0.9,
 qvalueCutoff =0.9)
go_up=DOSE::setReadable(go_up, OrgDb='org.Hs.eg.db',keyType='ENTREZID')
write.csv(go_up@result,paste0(pro,'_go_down.up.csv'))
barplot(go_up, split="ONTOLOGY",font.size =10)+ 
 facet_grid(ONTOLOGY~., scale="free") + 
 scale_x_discrete(labels=function(x) str_wrap(x, width=50))+
 ggsave(paste0(pro,'gene_up_GO_all_barplot.png'))

go_down <- enrichGO(gene_down, 
 OrgDb = "org.Hs.eg.db", 
 ont="all",
 pvalueCutoff = 0.9,
 qvalueCutoff =0.9)
go_down=DOSE::setReadable(go_down, OrgDb='org.Hs.eg.db',keyType='ENTREZID')
write.csv(go_down@result,paste0(pro,'_go_down.up.csv'))
barplot(go_down, split="ONTOLOGY",font.size =10)+ 
 facet_grid(ONTOLOGY~., scale="free") + 
 scale_x_discrete(labels=function(x) str_wrap(x, width=50))+
 ggsave(paste0(pro,'gene_down_GO_all_barplot.png'))

其实就是两个独立的基因集，独立的走enrichGO流程啦！

多组基因集的KEGG数据库富集

有趣的是，如果你是多组基因，不仅仅是上下调，甚至可以走compareCluster流程，不过Y叔的这个函数总是喜欢在线获取KEGG数据库的最新信息，这一点对很多人来说，考验网速：

# 这里需要制作一个 DEG 的数据框，其中有两列ENTREZID，是基因id,和new是分组信息
xx.formula <- compareCluster(ENTREZID~new, data=DEG, fun='enrichKEGG')
dotplot(xx.formula, x=~GeneRatio) + facet_grid(~new)

如果是多组基因集走GO数据库富集

如下，构建一个数据框，list_de_gene_clusters， 含有两列信息：

list_de_gene_clusters <- split(de_gene_clusters$ENTREZID, 
 de_gene_clusters$cluster)

# Run full GO enrichment test
formula_res <- compareCluster(
 ENTREZID~cluster, 
 data=de_gene_clusters, 
 fun="enrichGO", 
 OrgDb="org.Mm.eg.db",
 ont = "BP",
 pAdjustMethod = "BH",
 pvalueCutoff = 0.01,
 qvalueCutoff = 0.05
)

# Run GO enrichment test and merge terms 
# that are close to each other to remove result redundancy
lineage1_ego <- simplify(
 formula_res, 
 cutoff=0.5, 
 by="p.adjust", 
 select_fun=min
)

感兴趣的可以把这个结果跟3个出名的网页工具进行比较

另外，强推Y叔clusterProfiler的一些可视化方法

可视化方法函数列表：

  • barplot
  • cnetplot
  • dotplot
  • emapplot
  • gseaplot
  • goplot
  • upsetplot

好几个都是以前没有介绍过的，有趣的是我准备浏览这些可视化函数的帮助文档的时候，看到了这样的话：

重点来了，Y叔特意为其包写了一本书来介绍其用法。Please go to https://yulab-smu.github.io/clusterProfiler-book/ for the full vignette.

文末友情宣传

强烈建议你推荐我们生信技能树给身边的博士后以及年轻生物学PI，帮助他们多一点数据认知，让科研更上一个台阶：

​

Comments are closed.