r语⾔进⾏go富集分析_R语⾔-GO富集分析的超⼏何检验和可
视化
Gene Ontology
可分为分⼦功能(Molecular Function)，⽣物过程(biological process)和细胞组成(cellular component)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。
抽烟喝酒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。
上⼀篇提到的Pathway指代谢通路，对差异基因进⾏pathway分析，可以了解实验条件下显著改变的代谢通路，在机制研究中显得尤为重要。
GO分析好⽐是将基因分门别类放⼊⼀个个功能类群的篮⼦，⽽pathway则是将基因⼀个个具体放到代谢⽹络中的指定位置。
下⾯我们来总结⼀下R语⾔如何做GO分析
1.准备数据，需要导⼊与基因对应的ENTREIZID的数据框DEG
把握青春因此⾸先你要先准备这个数据框，这⾥不详细阐述，可⾃学ID注释部分
DEG
⾸先理解⼀下即将⽤到的代码：
#gene: 通路编号黄粉虫养殖技术
花巨兔#"db":OrgDb
#ont： One of "MF", "BP", and "CC" subontologies.
#pvalueCutoff:pvalue的最⼤值
#pAdjustMethod：多重假设检验矫正的⽅法："holm", "hochberg", "hommel", "bonferroni", "BH", "BY", "fdr", "none"
鸡蛋狮子头#univer: 背景基因-所有测序的基因
#qvalueCutoff: qvalue的最⼤值
#minGSSize: minimal size of genes annotated by Ontology term for testing.
稀有植物#maxGSSize: maximal size of genes annotated for testing
#readable: TRUE\FALSE：是否将基因ID转换为gene symbol
#pool: If ont=’ALL’, whether pool 3 GO sub-ontologies#细胞组分
OrgDb = db,
keyType = "ENTREZID",
pAdjustMethod = "BH",
ont = "CC",
pvalueCutoff = 0.5,
上海小笼包
qvalueCutoff = 0.5,
readable=T)
## 画图
CC)
ggsave("CC.png")
细胞组成#⽣物过程
keyType = "ENTREZID",
ont = "BP",
pvalueCutoff = 0.5,
qvalueCutoff = 0.5,
readable=T)
##分析完成后，作图
BP)
⽣物过程#分⼦功能：
ego_MF
OrgDb= db,
keyType = "ENTREZID",
ont = "MF",
pvalueCutoff = 0.5,
qvalueCutoff = 0.5)
barplot(ego_MF)
最好整容医院
分⼦功能ALL
OrgDb=db,
keyType = "ENTREZID",
ont = 'ALL',
pvalueCutoff = 0.5,
pAdjustMethod = "BH",
qvalueCutoff = 0.5,
readable=T)
barplot(ALL)
#BB,CC,MF全部显⽰出来
#条形图
barplot(ALL, split="ONTOLOGY")+ facet_grid(ONTOLOGY~.,scale="free")
#泡泡图
dotplot(ALL, split="ONTOLOGY")+ facet_grid(ONTOLOGY~.,scale="free")
ALLGO
write.csv(as.data.frame(ALL@result), file="GOALL-ADM.csv",quote=FALSE)
图形解读：
#横坐标是GeneRatio，意思是说输⼊进去的基因，它每个term(纵坐标)占整体基因的百分之多少条形的颜⾊代表P-value，颜⾊代表的P值越⼩，这事就越可信。
