大部分的生物學(xué)高通量數(shù)據(jù)處理后都是得到基因集，不管是上調(diào)下調(diào)表達(dá)基因集，還是共表達(dá)的模塊基因集，都是需要注釋到生物學(xué)功能數(shù)據(jù)庫來看基因集的意義，最常見的是GO/KEGG數(shù)據(jù)庫啦，還有很多其它在MsigDB的，比如reactome和biocarta數(shù)據(jù)庫等等。

這樣分析起來就很麻煩，尤其是GO數(shù)據(jù)庫，還有 BP,CC,MF的區(qū)別，這個(gè)時(shí)候推薦使用Y叔的神器，使用

library(ggplot2)
library(stringr)
library(clusterProfiler)
# 我這里演示的是brown_down_gene，是WGCNA的一個(gè)模塊，基因集
# 因?yàn)楸磉_(dá)矩陣是symbol，所以需要轉(zhuǎn)為ENTREZID，才能走clusterProfiler的函數(shù)。
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")

會(huì)得到如下所示的圖，當(dāng)然，理解起來需要耗費(fèi)一點(diǎn)功夫，如果你是第一次看到的話！不僅僅是要理解GO數(shù)據(jù)庫，以及BP,MF,CC的分類系統(tǒng)，超幾何分布檢驗(yàn)，不同的閾值過濾，篩選指標(biāo)等等。

因?yàn)樯厦娴拇a并沒有修改默認(rèn)的統(tǒng)計(jì)學(xué)指標(biāo)篩選參數(shù)，如果你的基因確實(shí)沒有規(guī)則，有可能拿不到結(jié)果哦！這個(gè)時(shí)候可以設(shè)置：pvalueCutoff = 0.9, qvalueCutoff =0.9 甚至為1，來不做篩選。而且基因集的大小也是被限制了。

如果你想分開計(jì)算上下調(diào)基因的GO數(shù)據(jù)庫注釋

而且還想保留富集分析結(jié)果到csv文件，代碼如下：

library(ggplot2)
library(stringr)
library(clusterProfiler)
# 通過前面的差異分析，我們拿到了  gene_up 和 gene_down 這兩個(gè)基因集
# 后面的分析，只需要  gene_up 和 gene_down  這兩個(gè)變量即可
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')) 

其實(shí)就是兩個(gè)獨(dú)立的基因集，獨(dú)立的走enrichGO流程啦！

多組基因集的KEGG數(shù)據(jù)庫富集

有趣的是，如果你是多組基因，不僅僅是上下調(diào)，甚至可以走compareCluster流程，不過Y叔的這個(gè)函數(shù)總是喜歡在線獲取KEGG數(shù)據(jù)庫的最新信息，這一點(diǎn)對很多人來說，考驗(yàn)網(wǎng)速：

# 這里需要制作一個(gè) DEG 的數(shù)據(jù)框，其中有兩列ENTREZID，是基因id,和new是分組信息
xx.formula <- compareCluster(ENTREZID~new, data=DEG, fun='enrichKEGG')
dotplot(xx.formula, x=~GeneRatio) + facet_grid(~new)

如果是多組基因集走GO數(shù)據(jù)庫富集

如下，構(gòu)建一個(gè)數(shù)據(jù)框，list_de_gene_clusters，含有兩列信息：

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
)

感興趣的可以把這個(gè)結(jié)果跟3個(gè)出名的網(wǎng)頁工具進(jìn)行比較

https://amp.pharm.mssm.edu/Enrichr/
http://www.webgestalt.org/
https://biit.cs.ut.ee/gprofiler

另外，強(qiáng)推Y叔clusterProfiler的一些可視化方法

可視化方法函數(shù)列表：

barplot
cnetplot
dotplot
emapplot
gseaplot
goplot
upsetplot

好幾個(gè)都是以前沒有介紹過的，有趣的是我準(zhǔn)備瀏覽這些可視化函數(shù)的幫助文檔的時(shí)候，看到了這樣的話：

重點(diǎn)來了，Y叔特意為其包寫了一本書來介紹其用法。Please go to https://yulab-smu.github.io/clusterProfiler-book/ for the full vignette.

本站僅提供存儲服務(wù)，所有內(nèi)容均由用戶發(fā)布，如發(fā)現(xiàn)有害或侵權(quán)內(nèi)容，請點(diǎn)擊舉報(bào)。

免费视频淫片aa毛片_日韩高清在线亚洲专区vr_日韩大片免费观看视频播放_亚洲欧美国产精品完整版

如果你想分開計(jì)算上下調(diào)基因的GO數(shù)據(jù)庫注釋

多組基因集的KEGG數(shù)據(jù)庫富集

如果是多組基因集走GO數(shù)據(jù)庫富集

感興趣的可以把這個(gè)結(jié)果跟3個(gè)出名的網(wǎng)頁工具進(jìn)行比較

另外，強(qiáng)推Y叔clusterProfiler的一些可視化方法