上一步差异表达分析拿到了表达谱【比如当用药物处理之后，实验组中哪些基因的表达发生了变化】

所谓基因的功能其实是基因产物的功能

GO数据库 Gene Ontology

允许在各种水平查询基因产物的特性
解决生物学定义又混乱的现象，是的各种数据库中基因产物功能描述相一致，使得在不同生物数据库中的查询具有极高的一致性

image.png
w/1240)

• 一个基因多种功能

栗子：TP53

image.png

• 生物学功能的多种描述

image.png image.png

Ontology 的结构

image.png image.png

GO term 之间的关系

• is a

image.png

• part of

image.png

• is a +part of

image.png

• 调节控制关系以及推导

image.png

KEGG数据库（京都基因和基因组百科全书）

image.png image.png image.png

• 符号的含义 image.png

• ID意思

  
  image.png

功能注释实操

• workflow

image.png

例子1：查看单个疾病风险基因注释到哪些通路

• KEGG

1. 神经胶质瘤（Glioma）风险基因（NCBI-GeneID ：1956），该基因编码表皮生长因子受体（EGFR）
2. 进入KEGG搜索界面http://www.genome.jp/kegg/tool/map_pathway2.html

image.png image.png 从KEGG官网点击pathway进入

3. 选择Organism-specific为：hsa
4. 选择Optional use of outside类型为：NCBI-GeneID

5. 输入EGFR基因（如格式：1956 red）

   
   image.png

从左到右的三列依次是：基因名，通路名字，物种名称 image.png 绿色的方框表示人类所特有的基因
image.png

• GO

1. 神经胶质瘤（Glioma）风险基因（NCBI-GeneID ：1956），该基因编码表皮生长因子受体（EGFR）

   
   三个板块
   image.png

2. 进入GO界面http://www.geneontology.org/
3. 输入EGFR基因（格式: EGFR ）
4. 选择Gene Product

5. 点击Go

   
   IEA是经过实验验证
   IDA类型是计算机预测的

例子2：查看多个疾病风险基因注释到哪些通路（适用于复杂疾病）

1. 从通过差异表达分析获得airway数据集trt和untrt间差异表达基因集合：共640个基因

   
   image.png

2. 进入KEGG搜索界面http://www.genome.jp/kegg/tool/map_pathway2.html

3. 选择Organism-specific为：hsa

4. 选择Optional use of outside类型为：NCBI-GeneID

5. 输入差异表达基因，格式：19 red

6. 368 red

7. 点击Exec

功能富集分析

原因

image.png
统计学方法 image.png

结果可视化

#### 第一步，从org.Hs.eg.db提取ENSG的ID 和GI号对应关系
keytypes(org.Hs.eg.db)

# bitr in clusterProfiler
allID <- bitr(gene_all, fromType = "ENSEMBL", toType = c( "ENTREZID" ), OrgDb = org.Hs.eg.db )
degID <- bitr(DEG, fromType = "ENSEMBL", toType = c( "ENTREZID" ), OrgDb = org.Hs.eg.db )
head(degID)


# KEGG analysis----
enrich <- enrichKEGG(gene =degID[,2],organism='hsa',universe=allID[,2],pvalueCutoff=1,qvalueCutoff=1)
##enrichKEGG只有一句话
##背景基因值的选择会影响最后的P值
GeneRatio <- as.numeric(lapply(strsplit(enrich$GeneRatio,split="/"),function(x) as.numeric(x[1])/as.numeric(x[2])))
BgRatio <- as.numeric(lapply(strsplit(enrich$BgRatio,split="/"),function(x) as.numeric(x[1])/as.numeric(x[2])  ))
enrich_factor <- GeneRatio/BgRatio
out <- data.frame(enrich$ID,enrich$Description,enrich$GeneRatio,enrich$BgRatio,round(enrich_factor,2),enrich$pvalue,enrich$qvalue,enrich$geneID)
colnames(out) <- c("ID","Description","GeneRatio","BgRatio","enrich_factor","pvalue","qvalue","geneID")
write.table(out,"../Analysis/deg_analysis/trut_VS_untrt_enrich_KEGG.xls",row.names = F,sep="\t",quote = F)

out_sig0.05 <- out[out$qvalue<0.05,]  ##挑选过程

# barplot
bar <- barplot(enrich,showCategory=10,title="KEGG Pathway",colorBy="p.adjust")
bar

image.png