R语言利用GOplot实现功能分析可视化
生信中大家都不陌生GO分析，然而如何将分析结果进行可视化展示是我们苦恼的问题，大部分都是画个Bar图或者列个表格啥的。今天我们给大家介绍一个可以实现功能分析可视化的R包GOplot。
首先我们看下此包对于数据的输入的格式要求：
在这里我们介绍下其中的z-score它的求法和我们数据标准化的z-score不同这里反映的是功能的作用是下降还是上升。另一个上调或者下调基因的确定依据是logFC也就是对数标准化之后的倍数差。接下来我们看下z-score的求解公式：
当然，我们上面的数据格式不会直接得到，我们需要获得GO或DAVID提供的功能信息包括以下信息：
并通过和我们的分析结果合并获得我们输入的数据结构。数据的合并我们也可以利用此包提供的函数circle_dat()（eg: circ <-circle_dat(EC$david, EC$genelist)）将功能信息和基因信息合并。具体的功能分析过程我们就不赘述了各种软件各种网站。
我们获得所需的数据结构后接下来就是可视化的展示：
1. Bar图的绘制，代码如下
首先我们可以只绘制其中一个大类中的bar图
GOBar(subset(circ, category == 'BP'))
然后为了显示所有的功能分类我们可以直接调用以下代码：
GOBar(circ, display = 'multiple')
当然我们也可对它的标题，颜色进行编辑自定义代码如下：
GOBar(circ, display = 'multiple', title ='Z-score coloured barplot', zsc.col = c('yellow', 'black', 'cyan'))
2. 气泡图是另一个可以更好展示分析结果，其函数是GOBubble()。
基础代码运行结果：
GOBubble(circ, labels = 3)#其中labels是显示GO ID 的阈值，其大小指的包含基因的个数，此处我们设置的是3，即将基因数大于3的ID显示.
在默认情况下table.legend = TRUE右边的注释信息会显示。也可以通过设置将其隐藏。
当然，我们也可以对功能进行分组显示：
GOBubble(circ, title = 'Bubble plot with backgroundcolour', display = 'multiple', bg.col = T, labels = 3)
其中bg.col参数设置是否显示背景颜色。
3. Circle图，可以更直观展示在每个ID中基因之间的上调或下调情况。
基础函数GOCircle(circ)；
我们也可以设置我们想要显示的ID或者我们想显示的ID的数量，其相关的参数是nsub其为数值就是个数，如果为向量就是显示的ID。
IDs <- c('GO:0007507', 'GO:0001568', 'GO:0001944','GO:0048729', 'GO:0048514')
GOCircle(circ, nsub = IDs)
或者GOCircle(circ, nsub = 6)
4. 基因和功能相关性的图形绘制（即基因所在的功能ID分布）
我们利用此包提供的EC数据中的genes,process,和前面的circ数据。利用函数chord_dat()进行数据的合并（eg: chord <- chord_dat(circ, EC$genes, EC$process)）。其数据结构如下：
GOChord 可以实现对数据的绘制，其中gene.space设置基因名字间的间距；gene.size主要是基因名称的字体大小；limit主要是确定基因最少在几个功能中；gene.order指的按那个排序。
GOChord(chord, space = 0.02, gene.order ='logFC', gene.space = 0.25, gene.size = 5)
限制ID个数的程序如下：
GOChord(chord, limit = c(4, 0), gene.order= 'logFC',gene.size=10)
5. GO热图的绘制，所使用的函数是GOHeat()。我们利用除去logFC列的chord数据作为输入数据：
GOHeat(chord[,-8], nlfc = 0)#nlfc=0指的热图绘图依据是数量不是logFC，如果nlfc=1则相反。
GOHeat(chord, nlfc = 1)
当然其中的填充颜色也是可以设置的，其参数是fill.col通过颜色向量赋值（eg：GOHeat(chord, nlfc = 1, fill.col =c('red', 'yellow', 'green'))）。
对于接下来的聚类以及韦恩图我们不再作详细的介绍，因为在使用中出场率不是特别高。
首先是聚类图的绘制：
GOCluster(circ, EC$process, clust.by = 'logFC', term.width= 2)
GOCluster(circ, EC$process, clust.by = 'term', lfc.col =c('darkgoldenrod1', 'black', 'cyan1'))
接下来是韦恩图的绘制：
l1 <-subset(circ, term == 'heart development', c(genes,logFC))
l2 <-subset(circ, term == 'plasma membrane', c(genes,logFC))
l3 <-subset(circ, term == 'tissue morphogenesis', c(genes,logFC))
GOVenn(l1,l2,l3, label = c('heart development', 'plasmamembrane', 'tissue morphogenesis'))
