go功能富集分析（GO富集分析）

本文目录

• GO富集分析
• 什么是GO富集分析，常说的GO功能分析、功能分析、Pathway分析是什么意思
• 非模式生物GO、KEGG富集分析
• 「GO富集分析」从原理到实践 ~ 零基础掌握
• 分析 | GO 富集分析
• 详解GO的层级关系在富集分析中的应用
• gokegg富集分析意义
• GO注释和富集分析
• go富集分析是什么意思

GO富集分析

GO富集是组学数据分析常用的手段，通常用来挖掘差异基因中GO term的富集程度。Fisher’s exact test是常用的统计检验方法，但这种方法存在明显的缺点。很多公司提供的测序分析结果都普遍使用这样的方法，导致很多后续的分析与实验结果不一致的情况。对于这种情况，目前还有其他算法来弥补这些缺点。（文中例子来源于《the Gene Ontology handbook》） fisher’s exact test是基于超几何分布来计算的，单边检验就是超几何检验。通常用来检验两组分类是否有显著差异。 m：研究物种的基因数； n：研究的样本中基因数； mt：总体中被注释到term t（GO 词条t）的基因数； nt：样本中被注释到term t的基因数。 随机变量Xt表示样本中被观察到的term t 的数目，所有根据超几何分别，观察到k个term t 的概率P(Xt)是： 零假设H0：样本中出现的term t 的数目与总体中总的term t数目没有正关联。也就是说样本中的term t数目的比例与总体中term t的接近。 为了拒绝H0，使用单尾检验： 一个简单的例子：假设总体中有18个基因，其中有5个被注释到binding这个term，转录组分析发现有5个差异表达的基因，其中有3个被注释到binding这个term，为了说明binding这个term是否是overrepresentation，用上面的Fisher’s exact test计算p值： 在现实中，我们不可能只对某一个term进行检验，而是对很多term进行检测，即多重检验，但这样就会导致假阳性的term数目非常高。所以我们需要对p值进行校正。通常是使用Benjamini-Hochberg校正方法来控制预期的错误发现率（false discoveries rate-FDR）进行校正。( 如何通俗地解释错误发现率（FDR） )。尽管多重检验的校正可以减少假阳性，但并不能从根本上解决GO（或KEGG）富集的问题。 GO富集的根本问题在于一个基因对应的GO term有多个，一个term对应多个gene，同时还有层级关系。这样导致如果一个term显著富集，那和它共享很多基因的term也会显著富集。 有很多其他的算法来试图解决这个问题，其中包括parent-child approach、topology-based algorithms、model-based approaches和gene set enrichment analysis。下面是对这些算法的简单介绍： 该算法还是基于Fisher’s exact test，只不过考虑了term的父节点。在计算概率时，不再是在总体m中取样，而是从term的父节点中取样，所以计算公式变成了： 当一个term有多个父节点时计算就变得复杂了，具体方法还得参考原始文献（improved detection of overrepresentation of Gene-Ontology annotatins with parent child analysis） 这两种方法原理反正我没看懂，有兴趣的可以看原始文献： 1、Improved scoring of functional groups from gene expression data by decorrelating GO graph structure. 2、GOing Bayesian: model-based gene set analysis of genome-scale data 该算法首先根据感兴趣的特征（比如差异基因的表达量）对基因进行排序，形成一个列表。零假设是某个基因集（genes encoding products in a metabolic pathway, located in the same cytogenetic band, or sharing the sam GO category）里基因顺序与这个列表没有关联，即排序是随机的。对应的备择假设是它们之间有关联。如果基因集里的基因都聚集在基因列表的前端或底端或者非随机分布，我们就倾向于相信它们之间有关联。 S：想研究的基因集； L：整个排序的基因列表； 统计量：Kolmogorov-Smirnov(KS) step 1:计算富集得分（Enrichment Score）。按顺序从头到尾逐个比较L中的基因与S中的基因，加和统计量，如果两者相同就增加KS统计量，反之就减少KS统计量。增加的多少与这个基因和表型的相关性有关。最后ES就是KS的最大方差值。 step 2、检验ES的显著性。重复k次随机选择的大小为nt的基因集（Nt1,...,Ntk)，p值计算公式为： step3、使用FDR进行多重检验的校正。 相关软件：GSEA-P software 1、Benjamini Y, Hochberg Y. Controlling the false discovery rate: a practercal and powerful approch to multiple testing.***隐藏网址*** 3、Gene set enrichment analysis: A knowledge-based approach for interpreting genome-wide expression profiles 4、 《the Gene Ontology handbook》

什么是GO富集分析，常说的GO功能分析、功能分析、Pathway分析是什么意思

GeneOntology可分为分子功能（MolecularFunction），生物过程（biologicalprocess）和细胞组成（cellularcomponent）三个部分。蛋白质或者基因可以通过ID对应或者序列注释的方法找到与之对应的GO号，而GO号可对于到Term，即功能类别或者细胞定位。功能富集分析:功能富集需要有一个参考数据集，通过该项分析可以找出在统计上显著富集的GOTerm。该功能或者定位有可能与研究的目前有关。GO功能分类是在某一功能层次上统计蛋白或者基因的数目或组成，往往是在GO的第二层次。此外也有研究都挑选一些Term，而后统计直接对应到该Term的基因或蛋白数。结果一般以柱状图或者饼图表示。1.GO分析根据挑选出的差异基因，计算这些差异基因同GO分类中某（几）个特定的分支的超几何分布关系，GO分析会对每个有差异基因存在的GO返回一个p-value，小的p值表示差异基因在该GO中出现了富集。GO分析对实验结果有提示的作用，通过差异基因的GO分析，可以找到富集差异基因的GO分类条目，寻找不同样品的差异基因可能和哪些基因功能的改变有关。2.Pathway分析根据挑选出的差异基因，计算这些差异基因同Pathway的超几何分布关系，Pathway分析会对每个有差异基因存在的pathway返回一个p-value，小的p值表示差异基因在该pathway中出现了富集。Pathway分析对实验结果有提示的作用，通过差异基因的Pathway分析，可以找到富集差异基因的Pathway条目，寻找不同样品的差异基因可能和哪些细胞通路的改变有关。与GO分析不同，pathway分析的结果更显得间接，这是因为，pathway是蛋白质之间的相互作用，pathway的变化可以由参与这条pathway途径的蛋白的表达量或者蛋白的活性改变而引起。而通过芯片结果得到的是编码这些蛋白质的mRNA表达量的变化。从mRNA到蛋白表达还要经过microRNA调控，翻译调控，翻译后修饰（如糖基化，磷酸化），蛋白运输等一系列的调控过程，mRNA表达量和蛋白表达量之间往往不具有线性关系，因此mRNA的改变不一定意味着蛋白表达量的改变。同时也应注意到，在某些pathway中，如EGF/EGFR通路，细胞可以在维持蛋白量不变的情况下，通过蛋白磷酸化程度的改变（调节蛋白的活性）来调节这条通路。所以芯片数据pathway分析的结果需要有后期蛋白质功能实验的支持，如Westernblot/ELISA，IHC（免疫组化），overexpression（过表达），RNAi（RNA干扰），knockout（基因敲除），transgene（转基因）等。3.基因网络分析目的：根据文献，数据库和已知的pathway寻找基因编码的蛋白之间的相互关系(不超过1000个基因)。

非模式生物GO、KEGG富集分析

GO、KEGG富集分析是我们做生信分析较为常用的部分，它可以将基因与功能相联系起来。 GO指的是Gene Ontology，是基因功能国际标准分类体系。目的在于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)(MF)、生物过程（Biological Process）(BP)、和细胞组成（Cellular Component）(CC)三个部分。 KEGG指的是京都基因与基因组百科全书，通常我们使用KEGG中的pathway模块，将基因映射到某些通路上，了解基因参与生物体中的代谢过程等。 对于模式生物，GO和KEGG富集分析实现起来比较容易，对于非模式生物来说还是需要花点时间和精力。对于模式生物的GO和KEGG富集分析，网上教程案例挺多的。对于非模式生物，以小麦为例，进行下面一些基本的富集分析。 做富集分析，我们需要了解一下几个概念。 1、前景基因：指的是我们所要进行富集的基因，一般是基因的ID 2、背景基因：指的是前景基因在某个基因集合进行富集，这个基因集合就是背景基因 3、描述信息：每个GO的Term的属性，或者是每个KO号或者map号的属性。 我们具备前景基因，背景基因以及描述信息我们就可以做富集分析啦。 1、前景基因:这是必须的啦。有时候需要进行ID转换，但是个人觉得ID转换根据需要来就行。如果前景基因里面的基因ID是包括在背景基因里面，那就需要进行转换。如果前景基因在是新的基因或者在背景基因没有被注释到的，就不用进行ID转换。下面这个就是融合基因，在背景基因里面没有注释到的，那么我就不要转换。 2、背景基因：一个基因可能具备多个GO term，一个基因也可能参与多个通路，与之相对应的有多个map号 这个案例中背景基因文件构建思路如下图 3、描述文件 跑完之后就会得到一些结果： 生成一些简单的气泡图，条形图，GO二级分类图

「GO富集分析」从原理到实践 ~ 零基础掌握

原本，我并无写这一稿件的想法。主要原因有二： 如果要找合理解释，那么针对第一点，就是每天仍然有大量新接触生信数据分析的朋友；针对第二点，......在前两天我推的文稿《零基础快速完成基因功能注释 / GO / KEGG / PFAM...》中，评论区答应了下，阅读过5000，那就写一写富集分析。于是，如果不写，总是不对。如果要写，只能现在写。毕竟有些事情，现在不做，以后真的不会做。 对于这一块，完全陌生的朋友，尤其是不少生物学背景朋友，有必要温习一下数理统计基础。这一稿件只做原理最简单的但使用最广泛其速度最快的Over-Represence Analysis模式的富集分析讲演。其他模式，不涉及。 回到主题，先举个经典的抽球例子： 小红小绿小蓝三个人自称有超能力，可以用手摸摸球就分辨出黑球白球，于是我们找来黑袋子，放100个球，其中20个白球80个黑球，让三人分别无放回地抽取。 小红随机抽出来10个球，其中2个白球8个黑球，情况即， 抽球中白球比例与背景白球比例完全一致，说明小红抽球结果随机。 球放回去，小绿来抽球，抽出来的10个球，其中3个白球7个黑球，情况即， 这是经典的抽球案例，抽取到的白球个数的概率分布为超几何分布。基于此，我们可以简单计算抽取到比小绿抽取到球个数（或更多即更极端）的概率如何，在 R语言中计算，即 而对于小蓝的情况，那么概率如何？ 在 TBtools 中也可以计算，只是写法有点区别 可以看到，尽管这只是一次抽球，小绿抽球中白球比例（或更极端情况）出现的概率是31.88%+，还是挺高的，于是我们有较高的把握说，小绿嘛，只是走了狗屎运。相反，小蓝抽球中白球比例或更极端情况出现的概率几乎为 0 ，我们几乎没啥把握说，小蓝走狗屎运....换句话说，我们有理由相信，或许小蓝真有抽白球的超能力..... 说了这么多，那么跟基因集合富集分析有啥关系？....基因集合功能富集分析。那么我们就需要有一个基因集合（如差异表达基因集合或ChIP-seq的Peaks或GWAS定位的系列区间），还有一个功能标签（如 生长素信号转导相关 ）。于是黑白球案例可以简单调整一下。假定现在这个物种一共有100个基因，其中20个基因与生长素信号转导相关，80个没有注释到与生长素信号转导相关（换句话说，约等于无关），我们做了对植株做了处理，和CK分别测定转录表达谱，通过差异表达分析，鉴定到10个差异表达基因，其中2个与生长素信号转导相关，而另外8个则没注释到生长素信号转导相关，简单画一下，即 好，剩下的两个就不替换了。整体上，ORA模式的富集分析，本身就是经典的抽球案例，感兴趣的自行替换就可以了。 基本原理，相信都搞清楚了。不过还是有两三点需要注意： 具体如何做物种所有基因的背景注释，请参考前述推文《零基础快速完成基因功能注释 / GO / KEGG / PFAM...》。 首先，打开 TBtools GO 富集分析界面 整体如上，一共三个文件： 具体示例如下 点击 Start ，随后等待即可。完成时会有弹窗提示。查看输出文件 （写到这里，突然觉得这些都没啥意思，不知为何....就不详细写了，大伙自己看看列名，猜猜吧） 很多时候，我们会选择，筛选第一列，只看 Biological Process。一般这些与我们的生物学认知会贴近一些。 基因集合功能富集分析，是一个常常被谈起的话题，甚至近期都有不少新方法或算法被提出。感兴趣的朋友可以去了解。这份教程，只与大伙说最简单，但也是使用最为广泛的一种富集分析模式。无论是不是 TBtools 用户，理论上来说，都可以轻松理解并掌握，从原理到实践。 写到一半，其实我已经不想写了。原因非常简单，这也是为什么在我之前，并没有一个人写出来 TBtools 类似的工具。不是写不了，而是不想写。有时候，随着能力增长和知识积累，往往不再愿意做一些简单的事情。或许这还涉及到年龄的增长，角色的转变，责任的变化....云云。 小时候，我以为写 TBtools 玩玩； 后来，我以为我会一直写下去； 现在，，，，，，

分析 | GO 富集分析

从研一来到组里，一直听到 GO 富集分析几个字。直到现在，研二基本结束了，我都没做过，也不会做。 有一个大概的认识，就是，自己的基因集中某种功能基因的占比要高于这种功能的基因在所有基因中的占比。有很多人解释得更清楚，比如 GO分析学习笔记 、徐洲更的 基因表达分析（中）- 富集分析 、 转录组入门(8): 富集分析 。

我并不研究模式植物，而且已有的 OrgDb 可能存在版本问题。所以 2.2 或 2.3 是待选方法。 但是！但是！ 在是否需要构建以及如何构建 OrgDb 上，我又有了疑问。

在是否需要构建的问题上，我看到徐洲更在 功能注释后如何做富集分析 中提到 “你不需要构建Orgdb，因为Orgdb的用途是进行基因编号和GO/KEGG的转换。你可以直接导入基因号和GO/KEGG编号的对应关系到R里面，然后用clusterProfiler进行数据分析” 。

在如何构建的问题上，网上也有许多文章进行了介绍。构建 OrgDb 时，需要 gene_info 和 gene2go 。 gene_info 需要有两列信息 GID 和 Gene_name 。 gene2go 需要三列信息 GID 、 GO 和 EVIDENCE 。 在众多博客中，都是用 EggNOG 注释所研究物种的蛋白质序列，再从注释结果中提取信息。我在重复的过程中，发现了其中的不一致，这个 Gene_name 到底是什么？ 详细回顾非模式物种注释构建过程 中选择的是 seed_ortholog 列； 构建自己物种的orgDb 中选择的是 eggNOG annot 列； 使用AnnotationForge包轻松构建非模式物种Orgdb包 中选择的是不知道哪里冒出来的 X.4 列；还有选择 Prefered_name ...... 有些列甚至不同版本的 EggNOG 结果可能都不存在/不一致。

我的问题是， Gene_name 选择什么重要吗？这个东西是为 OrgDb 的其他功能服务的？如果只是进行 GO 富集分析，这个并不影响？ 由于我的不求甚解，没有对比结果，也没有深究 OrgDb 到底还能干什么。也许研四快结束的时候，就弄清楚了。还有，因为没有其他证据，大家都把 EVIDENCE 定义为“IEA”。

详解GO的层级关系在富集分析中的应用

对于Gene ontology 而言，目前共有2万多个Go trems。 做完富集分析后，我们可能会得到几百甚至几千个富集到的GO terms, 这样的一个数据量对于人工一个个检索而言，仍然是一个艰巨的任务。为了有效的利用GO富集分析的结果，我们势必需要对结果再次进行过滤。 所有GO的层次结构关系如下图所示 这样的结构我们称之为有向无环图DAG, 虽然在图这种数据结构中，节点并没有严格的层级关系，但是由于在GO这张图中，存在了祖先节点，即最上层的3个节点，其他的节点都可以看做是其子节点，从而引用了树状结构中的level的概念，定义子节点到祖先节点的路径上包含的节点数即为该节点的level，祖先节点的level为1. 示意图如下 需要注意的是，由于子节点到祖先节点的路径不止一条，所以一个子节点可能拥有用多个level, 这意味着GO terms的level不是一个值，在使用level对GO Terms进行过滤时就需要注意。 想象一下，对于一个有多个level的GO term, 我们采用哪个值来表征其level, 是取最大值，还是最小值，或者是均值，由于不同取值算法带来的不确定性，所以采用level对GO过滤会存在一定风险，特别是level很大时。比如我们只选取level 》 7的GO terms, 无论是用哪个值作为level, 其过滤的结果和我们预期的都是不符合的。 GO官网对于GO level也进行了说明，参考以下链接 ***隐藏网址*** 传统的费舍尔精确检验也好，GSEA也罢，这些富集分析的算法都只是为单个GO term进行分析，不会考虑该GO term在整个网状结果中的层级关系。对于这些分析的结果，采用上述的GO level 进行过滤时，只能是采用较小的level, 在一下R包中，比如goprofiler， 推荐的最小层级是level为2。 采用level对结果过滤效果有限，为了有效筛选结果，出现了Gene Ontolgy network analysis，示意图如下 根据所有富集到的GO terms, 从整个GO Graph中取出一个子图subgraph， 图中有颜色的节点为富集到的GO, 颜色的深浅有P值决定， 节点的大小由degree决定。 根据这个network, 应用图论的算法可以挖掘出其中重要的GO term，从而实现对GO富集结果的过滤。 ————————————————***隐藏网址***

gokegg富集分析意义

Gokegg富集分析是一种生物信息学工具，用于分析一组基因在细胞、组织或生物体中是否具有共同的生物学功能或通路。它可以将不同基因集之间的差异性比较和功能注释结果整合起来，进而预测哪些生物学过程与不同基因集相关联。

通过Gokegg富集分析，可以深入了解不同基因集之间的功能和生物学过程差异，揭示这些差异在疾病的发生和发展中的作用。例如，在基因表达谱分析中，可以将受到某种干预处理的基因集与对照组基因集进行比较，以了解这种干预处理对生物学过程和通路的影响。此外，Gokegg富集分析还可以为疾病的分子机制研究和新药开发提供重要的线索和理论基础。

总之，Gokegg富集分析具有重要的生物信息学意义和实际应用价值，它可以帮助我们更好地理解基因和生物学过程之间的关系，促进疾病诊断、治疗和预防的研究。

GO注释和富集分析

GO注释是对某个特定基因功能的描述。每一条GO注释由一个基因和相应的GO term组成。这些描述一起构成了当前的生物学认知的“快照”。关于基因功能的碎片化的认知可能建立在不同的等级之上，这就是为什么每条GO注释总是会引用其基础的证据。证据以GO“证据码”的形式呈现，具体可能是一个已发表的文献或者创建这条注释的方法。 所有的GO注释，最终都会被科学文献支持。GO证据码描述了证据并且粗略的反应了这条注释与直接的实验证据相距多远，以及这条注释是否被专家评估过。

go富集分析是什么意思

go富集分析是什么意思如下：

富集分析(Enrichment Analysis) 是一种广泛应用于 生物信息学Q 研究的统计方法，主要用于检验一个基因集合中某些功能或特征的富集程度。富集分析的主要目的是从大量基因数据中找出有生物学意义的模式和功能。根据分析的目标和方法，富集分析可以分为以下几种类型:

基因本体论富集分析(Gene 0ntology Enrichment Analysis) : 这是最常用的富集分析类型，用于验基因集合中基因本体论(GO)目的富集情况。这可以帮助研究者了解基因集合中的基因在生物学过程、分子功能和细胞组成方面的共同特征。

角路昌集分析 (Patwav Enrchment Analvss) :这种类型的富集分析主要关注基因在代途经和信号传导通路中的作用。通讨检测基因集合中通路的富集情况，研究者可以了解这些基因在生物体内的功能和调控机制。路数据库如 KEGGQ (Kvoto Encyclopedia ofGenes and Genomes) 和Reactome是进行通路富集分析的常用资源

基因集富集分析(Gene Set Enrichment Analysis，GSEA): GSEA是一种首在检测一个基因集合(如差异表达基因) 与某些生物学特征(如基因本体论、通路、疾病、表型等)之间的关联的方法。GSEA可以帮助研究者了解基因集合与生物学功能和过程之间的关联从而揭示潜在的生物学意义

蛋白质-蛋白质相与作用富集分析(Protein-Protein lnteraction Enrichment Analysis): 这种类型的富集分析关注蛋白质之间的相互作用，帮助研究者了解基因集合中蛋白质在细胞信号和代谢过程中的功能。

基因表达调控富集分析:这种类型的富集分析关注转录因子、miRNA等调控因子对基因表达的调控作用，通过这种富集分析，研究者可以了解基因表达的调控机制和相互关系。