使用topGO增强你的GO数据库注释结果的可视化

生信技能树

发布于 2023-12-13 14:08:17

4390

发布于 2023-12-13 14:08:17

前些天我在 生物学功能注释三板斧，提到了简单的超几何分布检验，复杂一点可以是gsea和gsva，更复杂一点的可以是DoRothEA和PROGENy类似的打分

其中 GO（Gene Ontology）和KEGG（Kyoto Encyclopedia of Genes and Genomes）数据库是两个常用的生物学功能注释数据库，科学家通常是使用来超几何分布检验这个统计学算法做富集分析，即通过比较实际观察到的基因集合（几十个或者几百个）中特定功能或通路的基因数量与随机期望的数量来判断其是否富集。

但是GO数据库注释通常包括三个方面的信息：分子功能（Molecular Function）、细胞组分（Cellular Component）和生物过程（Biological Process）。而且它有一个特点是有向无环图（DAG），用一个简单的比喻来理解：

树状结构： 想象一棵大树，树干是GO的根节点，而树枝和叶子是各种不同的基因功能术语。
节点和边： 在这个家谱树上，每一个节点代表一个特定的基因功能术语，例如“细胞分裂”、“代谢过程”等。而边（连接节点的线）表示这些术语之间的关系。
层次关系： 树的不同层次代表了基因功能的层次关系。树干是一些更通用、更广泛的术语，而分支和叶子是更具体和详细的术语。
无环： DAG是有向无环图，这意味着在图中你不会发现任何形成循环的路径。从根节点到任何一个节点都是沿着一个单一的方向，没有回头。

普通的GO数据库注释

简单的转录组差异分析

首先我们获取airway这个包里面的airway表达量矩阵，它有8个样品，分成了两组，我们命名为'control','case' ，如下所示代码：

library(data.table)
library(airway,quietly = T)
data(airway) 
mat <- assay(airway)  
keep_feature <- rowSums (mat > 1) > 1 
ensembl_matrix <- mat[keep_feature, ]  
library(AnnoProbe) 
ids=annoGene(rownames(ensembl_matrix),'ENSEMBL','human') 
ids=ids[!duplicated(ids$SYMBOL),]
ids=ids[!duplicated(ids$ENSEMBL),]
symbol_matrix= ensembl_matrix[match(ids$ENSEMBL,rownames(ensembl_matrix)),] 
rownames(symbol_matrix) = ids$SYMBOL 
group_list = as.character(airway@colData$dex);group_list
group_list=ifelse(group_list=='untrt','control','case' ) 
group_list = factor(group_list,levels = c('control','case' ))

然后针对上面的airway这个包里面的airway表达量矩阵，是一个简单的转录组测序后的count矩阵，可以走DESeq2进行转录组差异分析，代码如下所示：

(colData <- data.frame(row.names=colnames(symbol_matrix), 
                       group_list=group_list) )
dds <- DESeqDataSetFromMatrix(countData = symbol_matrix,
                              colData = colData,
                              design = ~ group_list)
dds <- DESeq(dds) 
res <- results(dds, 
               contrast=c("group_list",
                          levels(group_list)[2],
                          levels(group_list)[1]))
resOrdered <- res[order(res$padj),] 
DEG =as.data.frame(resOrdered)
DEG_deseq2 = na.omit(DEG)

差异分析的结果矩阵比较简单：

> head(DEG_deseq2)  
          baseMean log2FoldChange      lfcSE     stat        pvalue          padj
SPARCL1   997.2841       4.601648 0.21173761 21.73278 1.005191e-104 1.751345e-100
STOM    11193.6206       1.450654 0.08458760 17.14973  6.314974e-66  5.501289e-62
PER1      776.4988       3.183045 0.20133158 15.80996  2.656240e-56  1.542656e-52
PHC2     2738.0273       1.386358 0.09161873 15.13182  9.988847e-52  4.350892e-48
MT2A     3656.0130       2.202678 0.14718400 14.96547  1.234488e-50  4.301697e-47
DUSP1    3408.8006       2.948154 0.20174509 14.61326  2.311720e-48  6.712850e-45

上面的这些列的简要介绍是：

baseMean：
- 表达水平的均值，表示基因在不同条件或组合中的平均表达水平。
log2FoldChange：
- 表达差异的对数倍数变化，表示基因在两个条件或组合之间的表达变化倍数的对数。
lfcSE：
- 对数倍数变化的标准差，用于衡量差异的稳定性。
stat：
- 统计检验的值，通常是log2FoldChange除以lfcSE，用于判断基因表达的变化是否显著。
pvalue：
- 统计检验的p值，表示在零假设下观察到的差异或效应发生的概率。
padj：
- 经过多重检验校正后的p值，用于控制多重检验的误差，提高差异的可靠性。

然后使用最流行的clusterProfiler进行GO数据库的注释

前面提到了，GO数据库注释通常包括三个方面的信息：分子功能（Molecular Function）、细胞组分（Cellular Component）和生物过程（Biological Process）。我们这里先拿生物过程（Biological Process）举例子吧.

前面的DESeq2进行转录组差异分析后的表格里面有两万多个基因，但是我们根据里面的log2FoldChange对基因排序后取 log2FoldChange 最大的1000个基因来使用超几何分布检验这个统计学算法做富集分析，代码如下所示：

DEG_deseq2=DEG_deseq2[order(DEG_deseq2$log2FoldChange),] 
up_top_genes = AnnotationDbi::select(org.Hs.eg.db,keys=tail(rownames(DEG_deseq2),1000) ,
                      columns="ENTREZID",keytype = "SYMBOL")[,2]
library(clusterProfiler)
library(org.Hs.eg.db)
go_BP_hyper <- enrichGO(
  gene          = up_top_genes,
  keyType = "ENTREZID",
  OrgDb         = org.Hs.eg.db,
  ont           = "BP",
  pAdjustMethod = "BH",
  pvalueCutoff  = 0.01,
  qvalueCutoff  = 0.05,
  readable      = TRUE)
head(go_BP_hyper@result)

可以看到这个结果表格非常的丰富：

GO数据库的注释

在使用clusterProfiler进行GO（Gene Ontology）数据库的富集分析时，得到的结果表格通常包含以下列：

ID:
- 介绍： GO Term的唯一标识符，用于标识富集的功能术语。
Description:
- 介绍： GO Term的文本描述，说明富集功能的意义。
GeneRatio:
- 介绍： 在用户提供的基因集中与某GO Term相关的基因占比。
BgRatio:
- 介绍： 在整个背景基因集中与某GO Term相关的基因占比。
pvalue:
- 介绍： 富集分析的p值，表示GO Term富集的显著性。
p.adjust (或FDR):
- 介绍： 校正后的p值，用于控制多重检验误差。
qvalue:
- 介绍： 与p.adjust相似，也是校正后的p值。
geneID:
- 介绍： 在GO Term下具有显著富集的基因的标识符，如果前面有 readable = TRUE的参数，那么这个时候就是基因的symbol，如果没有那就是ENTREZID
Count:
- 介绍： 在用户提供的基因集中与GO Term相关的基因数量。

那么我们通常是会如何可视化这个最流行的clusterProfiler进行GO数据库的注释：

barplot(go_BP_hyper)

平平无奇的条形图，可以看到最显著的一些通路的名字以及其对应的富集信息：

最显著的一些通路

很明显的可以看到上面的通路是有层级关系的，就是前面提到的有向无环图（DAG），而topGO的高级可视化就是帮助我们展示这个有向无环图（DAG）的。

topGO的高级可视化

代码确实是非常简单啦，如下所示：

library(topGO)
goplot(go_BP_hyper,showCategory = 8)

可以看到的是好几个通路的关系：

好几个通路的关系

当然了，topGO 是一个用于生物学的Gene Ontology（GO）富集分析的R包，不仅仅是可以展示上面提到的有向无环图（DAG），它还具有以下可视化方面的优点：

图形化展示：
- topGO 提供了直观的图形化展示，例如饼图、条形图等，有助于用户更清晰地理解富集结果。
GO Term网络图：
- 可以生成GO Term之间的关系网络图，帮助用户理解GO Term的层次结构和相互关系。
直观的树状图：
- topGO 可以生成GO Term的树状图，以树状结构直观地展示GO Term之间的层次关系。
用户定制化：
- 允许用户对生成的图形进行定制，包括颜色、标签等，以满足用户个性化的可视化需求。
交互式可视化：
- 提供了交互式的可视化功能，用户可以通过交互式控件进行放大、缩小、导出等操作，增强用户体验。
基因与GO Term的关联图：
- 可以绘制基因与GO Term之间的关系图，帮助用户了解哪些基因与哪些功能术语关联紧密。
支持多种可视化输出：
- topGO 支持生成多种格式的图形输出，如PDF、PNG等，方便用户在出版物或报告中使用。
丰富的图例和注释：
- 生成的图形中包含丰富的图例和注释，使用户更容易理解和解释富集分析的结果。

这些可视化优点使得 topGO 成为生物学研究中进行GO富集分析时一个强大的工具，通过直观的图形展示，帮助研究人员更好地理解基因集与功能术语之间的关系。更多技巧当然是推荐看它的官网啦：

https://bioconductor.org/packages/release/bioc/html/topGO.html

另外，其实上面的富集分析结果是可以精简的，因为生物过程（Biological Process）有很多冗余，如下所示的代码：

go_BP_simp <- simplify(
  go_BP_hyper, 
  cutoff=0.5, 
  by="p.adjust", 
  select_fun=min
) 
head(go_BP_simp@result)
dim(go_BP_simp@result)
barplot(go_BP_simp) 
goplot(go_BP_simp,showCategory = 8)

另外，类似的增强GO数据库注释结果的可视化的包也非常多，比如GOplot，可以把结果画出八卦图的样子，同样的也是推荐看官方文档代码啦：

library(ggplot2)
library(GOplot)
data(EC)
head(EC$david)
head(EC$genelist)

circ <- circle_dat(EC$david, EC$genelist)
GOBar(subset(circ, category == 'BP'))
GOBar(circ, display = 'multiple')

# 加标题上色
GOBar(circ, display = 'multiple', title = 'Z-score coloured barplot', 
      zsc.col = c('yellow', 'black', 'cyan'))
# 分区
GOBubble(circ, labels = 3)
# 加标题, 改变环的颜色, f分区， 
GOBubble(circ, title = 'Bubble plot', colour = c('orange', 'darkred', 'gold'), display = 'multiple', labels = 3)  
# Colour the background according to the category
GOBubble(circ, title = 'Bubble plot with background colour', display = 'multiple', bg.col = T, labels = 3)  
# Reduce redundant terms with a gene overlap >= 0.75...
reduced_circ <- reduce_overlap(circ, overlap = 0.75)
# ...and plot it
GOBubble(reduced_circ, labels = 2.8)
#Generate a circular visualization of the results of gene- annotation enrichment analysis
GOCircle(circ)

# Generate a circular visualization of selected terms
IDs <- c('GO:0007507', 'GO:0001568', 'GO:0001944', 'GO:0048729', 'GO:0048514', 'GO:0005886', 'GO:0008092', 'GO:0008047')
GOCircle(circ, nsub = IDs)
# Generate a circular visualization for 10 terms
GOCircle(circ, nsub = 10)

如下所示的效果：