差异分析之后呢

差异分析后可以得到基因表达的logFC值，p值。设定差异基因的筛选标准后，选取基因，可以进一步进行GO分析，KEGG 分析，网络分析。主要使用clusterprofiler package进行分析。

加载相关的包

library(DOSE)

library(GO.db)

library(org.Hs.eg.db)

library(topGO)

library(GSEABase)

library(clusterProfiler)

其实加载package， 主要的是clusterprofiler

基因名称的转换

基因名称的转换可以使用多种方法，在线工具可以使用DAVID工具，此处仍然使用 Y叔的clusterprofiler package，进行基因名称转换。clusterprofiler有相关的示例。

gene = bitr(gene, fromType="SYMBOL", toType="ENTREZID", OrgDb="org.Hs.eg.db")
head(gene)

GO 分析

GO 分析有三种结果，细胞组分CC，生物过程BP, 分子功能 MF

先展示分开分析三个过程的结果

ego_CC <- enrichGO(gene = gene$ENTREZID,

                  OrgDb= org.Hs.eg.db,

                  ont = "CC",

                  pAdjustMethod = "BH",

                  minGSSize = 1,

                  pvalueCutoff = 0.01,

                  qvalueCutoff = 0.01,

                  readable = TRUE)

ego_BP <- enrichGO(gene = gene$ENTREZID,

                  OrgDb= org.Hs.eg.db,

                  ont = "BP",

                  pAdjustMethod = "BH",

                  minGSSize = 1,

                  pvalueCutoff = 0.01,

                  qvalueCutoff = 0.01,

                  readable = TRUE)
ego_MF <- enrichGO(gene = gene$ENTREZID,

                  OrgDb= org.Hs.eg.db,

                  ont = "MF",

                  pAdjustMethod = "BH",

                  minGSSize = 1,

                  pvalueCutoff = 0.01,

                  qvalueCutoff = 0.01,

                  readable = TRUE)
barplot(ego_CC, showCategory=20,title="EnrichmentGO_CC")#条状图，按p从小到大排的

dotplot(ego_BP,title="EnrichmentGO_BP_dot")#点图，按富集的数从大到小的。

将以上的三个结果统一绘制于一幅图中，并保存结果。

go <- enrichGO(gene = de, OrgDb = "org.Hs.eg.db", ont="all")
library(ggplot2)
p <- dotplot(go, split="ONTOLOGY") +facet_grid(ONTOLOGY~., scale="free")
p

x <- go
y <- setReadable(x, OrgDb = org.Hs.eg.db, keyType="ENTREZID")
write.csv(y@result,file = 'commonDiff-enrichment-readabla.csv')

KEGG分析

kk <- enrichKEGG(gene = gene$ENTREZID,

                organism ="human",

                pvalueCutoff = 0.01,

                qvalueCutoff = 0.01,

                minGSSize = 1,

                #readable = TRUE ,

                use_internal_data =FALSE)

barplot(kk)

dotplot(kk)

保存GO分析结果和KEGG 分析结果

EGG <- enrichKEGG(gene= gene$ENTREZID,
                  organism     = 'hsa',
                  pvalueCutoff = 0.05)
x <- EGG
yEGG <- setReadable(x, OrgDb = org.Hs.eg.db, keyType="ENTREZID")
write.csv(yEGG@result,file = 'commonDiff-KEGG-readable.csv')
dotplot(EGG)

test <- data.frame(EGG)
browseKEGG(EGG, 'hsa04110')

save(go,EGG, file = 'commonDiff-enrichment-analysis.Rdata')
write.csv(go@result, file = "commonDiff-go.csv")
write.csv(EGG@result, file = 'commonDiff-KEGG.csv')

其实按照简单的生物信息分析思路，这里已经有了雏形，有了差异分析，有了富集分析。差异分析可以是按照设定的cutoff值进行筛选，也可以进行GSEA分析。富集分析中得到基因的分布。其实对于一个临床医生来说。这还远远不够，有了这些富集分析，那怎么进行下一步的分析，得到更有价值的信息或者分析，这应该是临床医生做生信分析因该考虑的。