GO和kEGG富集分析
发布时间
阅读量：
阅读量
文章目录
-
前言
-
一、GO和KEGG
-
- 1. GO 富集分析： * 2. KEGG 富集分析：
-
二、使用步骤
-
- 1.数据处理
- 2. GO分析
- 3.KEGG富集
-
总结
前言
这些工具在多维度上解析了基因的功能及其生物学内涵。
一、GO和KEGG
1. GO 富集分析：
- 阐述基因在其涉及的三大领域——分子功能（Molecular Function）、生物过程（Biological Process）及细胞组成（Cellular Component）——中的表征及其趋势。
- 借助该方法可深入了解基因所参与的具体生物学活动。具体而言，在具备催化功能及结合特性的条件下，并能通过参与细胞增殖及信号传导过程来实现其功能定位；此外，在基因所处的位置上发挥着关键作用。
2. KEGG 富集分析：
- 涉及基因参与的多种关键代谢途径、信号传导机制及与疾病相关的调控网络等。
- 深入探讨基因在细胞整体水平上的协调调控机制及其在细胞功能维持中的关键角色。
- 助于深入解析其在疾病发生发展、药物治疗效果及其调控网络构建方面的重要作用。
从整体上看, GO 富集分析更注重对基因功能的具体分类描述, 而 KEGG 富集则更加关注基因在生物系统中所处的通路层面的相互作用及其调控机制. 通过将两者进行综合运用, 可以更加全面且深入地解析基因的功能定位及其在生物学系统中的作用机制.
二、使用步骤
1.数据处理
library(tidyverse)
library(ggplot2)
library(ggrepel)
library(readxl)
setwd('G:/R/TCGA/venn')
# 这里的excel文档是之前TCGA差异分析得到的数据,主要用longFC,p值,FDR和基因名
COVIN_24_wpi_DEGs <- read_xlsx('long_CONVID_19_deg.xlsx',sheet='24 wpi DEGs')
COVIN_24_wpi_DEGs <- data.frame(COVIN_24_wpi_DEGs$logFC,COVIN_24_wpi_DEGs$PValue,COVIN_24_wpi_DEGs$FDR,COVIN_24_wpi_DEGs$external_gene_name,COVIN_24_wpi_DEGs$ensembl_gene_id,COVIN_24_wpi_DEGs$description,row.names = COVIN_24_wpi_DEGs$external_gene_name)
colnames(COVIN_24_wpi_DEGs) <- c('logFC','FDR','PValue','genename','gene_id','description')
COVIN_24_wpi_DEGs$time <- c('24 w.p.i.')
common_difference_gene_24_wpi <- read.csv('common_difference_gene_24_wpi.csv',row.names = 1)
selected_data_24_wpi <- COVIN_24_wpi_DEGs[COVIN_24_wpi_DEGs$genename %in% t(common_difference_gene_24_wpi), ]
threshold <- 0.3
selected_data_24_wpi$regulation <- ifelse(selected_data_24_wpi$logFC > threshold, "Up-Regulated", ifelse(selected_data_24_wpi$logFC < -threshold, "Down-Regulated", ifelse(abs(selected_data_24_wpi$logFC) < threshold, "NotSig", "Unknown")))
# 获取上下调基因
top <- 100
top_genes_24_wpi <- bind_rows(
selected_data_24_wpi %>%
filter(regulation == 'Up-Regulated') %>%
arrange(desc(abs(logFC))) %>%
head(top)
)
bottom_genes_24_wpi <- bind_rows(
selected_data_24_wpi %>%
filter(regulation == 'Down-Regulated') %>%
arrange(desc(abs(logFC))) %>%
head(top)
)
# 保存数据之后方便之后的通路分析
library(openxlsx)
dir.create('differential gene/result/24_wpi/data_100')
write.xlsx(selected_data_24_wpi,'./differential gene/result/24_wpi/data_100/data_24_wpi.xlsx',rowNames = TRUE)
write.xlsx(top_genes_24_wpi,'./differential gene/result/24_wpi/data_100/top_genes_24_wpi.xlsx',rowNames = TRUE)
write.xlsx(bottom_genes_24_wpi,'./differential gene/result/24_wpi/data_100/bottom_genes_24_wpi.xlsx',rowNames = TRUE)2. GO分析
setwd('G:/R/TCGA/venn/differential gene')
library(clusterProfiler)
# 这里org.Hs.eg.db需要通过BiocManager包进行下载,如果多次尝试下载不成功的恶化,可以先更改镜像源,之后再尝试下载
# options(BioC_mirror="https://mirrors.tuna.tsinghua.edu.cn/bioconductor")
# BiocManager::install('org.Hs.eg.db')
library(org.Hs.eg.db)
library(ggplot2)
library(readxl)
# 读取数据
upgene <- read_xlsx('./result/24_wpi/data_100/up_genes_24_wpi.xlsx')
rownames(upgene) <- upgene$...1
Genes <- bitr(rownames(upgene),
fromType = 'SYMBOL',
toType = c('ENTREZID'),
OrgDb = org.Hs.eg.db)
# GO富集分析和结果存储
GO <- enrichGO(gene = Genes$ENTREZID, # 输入基因的ENTREZID
OrgDb = org.Hs.eg.db, # 注释信息
keyType = 'ENTREZID',
ont = 'ALL',# 可选条目BP/CC/MF
pAdjustMethod = 'BH',# p值的校正方式
qvalueCutoff = 1,# q的阈值
pvalueCutoff = 1, # p的阈值
minGSSize = 5,
maxGSSize = 500,
readable = TRUE # 是否将ENTREZID转换为symbol
)
dir.create('./result/24_wpi/up_100')
write.csv(data.frame(ID=rownames(GO@result),GO@result),'./result/24_wpi/up_100/up_genes_24_wpi_GO.csv')
# 柱状图
pdf(file = './result/24_wpi/up_100/up_genes_24_wpi_GO_barplot.pdf',width = 10,height = 8)
barplot(GO,drop=TRUE,
showCategory = 6,
split='ONTOLOGY') +
facet_grid(ONTOLOGY~.,scales = 'free')
dev.off()
# 点图
pdf(file = './result/24_wpi/up_100/up_genes_24_wpi_GO_dotplot.pdf',width = 10,height = 8)
dotplot(GO,showCategory=6, split='ONTOLOGY')+
facet_grid(ONTOLOGY~.,scales = 'free')
dev.off()
# 不分面
pdf(file = './result/24_wpi/up_100/up_genes_24_wpi_GO_dotplot_nosplit.pdf',width = 10,height = 8)
dotplot(GO,
x='GeneRatio',
color='p.adjust',
showCategory=15,
size=NULL,
split=NULL,
font.size=13,
title='',
orderBy='x',
label_format=30)
dev.off()
3.KEGG富集
KEGG <- enrichKEGG(Genes$ENTREZID,
organism = 'hsa',
keyType = 'kegg',# kegg数据库
pAdjustMethod = 'BH',
pvalueCutoff = 1,
qvalueCutoff = 1)
pdf(file = './result/24_wpi/up_100/up_genes_24_wpi_KEGG.pdf',width = 10,height = 8)
barplot(KEGG,
x='GeneRatio',
color='p.adjust',
showCategory=15)
dev.off()
pdf(file = './result/24_wpi/up_100/up_genes_24_wpi_KEGG_dotplot.pdf',width = 10,height = 8)
dotplot(KEGG)
dev.off()
# View(as.data.frame(KEGG)) # 以数据框的形式展示KEGG的结果
# browseKEGG(KEGG,'hsa03010') # 打开KEGG官网查看相关通路的信息
# 结果存储
KEGG_results <- DOSE::setReadable(KEGG,
OrgDb = org.Hs.eg.db,
keyType = 'ENTREZID')
write.csv(data.frame(ID=rownames(GO@result),GO@result),'./result/24_wpi/up_100/up_genes_24_wpi_KEGG.csv')
总结
大量图片存在为了避免冗长兴趣的朋友可以自行访问了解更多它们之间的区别如果需要数据请麻烦您自行联系获取数据！
全部评论 (0)
还没有任何评论哟~