simpleEnrichment--对GO富集分析结果进一步处理！

simpleEnrichment--对GO富集分析结果进一步处理！数学差怎么办 作者：作图丫 背景介绍 通常我们进行功能富集分析，对基因集进行功能注释的时候，往往会得到大量显著富集的功能，今天小编给大家介绍的simplifyEnrichment包，就可以通过binary cut的方法，将GOSemSim

作者：作图丫

背景介绍

通常我们进行功能富集分析，对基因集进行功能注释的时候，往往会得到大量显著富集的功能，今天小编给大家介绍的simplifyEnrichment包，就可以通过binary cut的方法，将GOSemSim得到的GO相似度矩阵进行划分，从而将GO划分为几个类，通过注释就可以知道每个类对应的功能是什么。

R包安装

###通过github安装simplifyEnrichment包library(devtools)install_github("jokergoo/simplifyEnrichment")library(simplifyEnrichment)library(GOSemSim 可视化介绍

01简化GO富集分析结果

simpleEnrichment 主要是通过对GO terms的相应语义相似度矩阵进行聚类来简化 GO 富集分析结果。我们首先从Biological Process（BP）中生成一个随机 go id 列表：

library(simplifyEnrichment)set.seed(888)go_id = random_GO(500) 我们可以使用 GO_similarity 函数来计算语义相似度矩阵(或自己提供相似度矩阵)。GO_similarity 函数封装了 GOSemSim::termSim，输入一个 go id向量即可得到结果 。

mat = GO_similarity(go_id)

我们可以直接用simpleGO 函数来执行聚类以及可视化结果。

df = simplifyGO(mat)

在热图的右侧，有词云注释，用关键字总结了每个 GO cluster中的功能。

返回的变量 df 是一个带有 go id、GO terms和cluster标签的数据框：

head(df)## id term cluster## 1 GO:0003283 atrial septum development 1## 2 GO:0022018 lateral ganglionic eminence cell proliferation 1## 3 GO:0030032 lamellipodium assembly 2## 4 GO:0061508 CDP phosphorylation 3## 5 GO:1901222 regulation of NIK/NF-kappaB signaling 4## 6 GO:0060164 regulation of timing of neuron differentiation 1

02聚类方法比较

在simpleEnrichment 包中，还有比较不同方法的聚类结果的函数。这里仍然使用先前生成的变量 mat。使用compare_clustering_methods 函数即可进行各种聚类结果的比较。

结果包括：①、将不同聚类作为行注释的相似性矩阵的热图。

②、聚类结果一致性的热图

③、每种方法的差异分数的条形图

④、聚类数

⑤、相同聚类中的terms的平均相似度

compare_clustering_methods(mat)## Cluster 500 terms by 'binary_cut'... 43 clusters, used 0.8137581 secs.## Cluster 500 terms by 'kmeans'... 16 clusters, used 3.310741 secs.## Cluster 500 terms by 'dynamicTreeCut'... 58 clusters, used 0.1416259 secs.## Cluster 500 terms by 'apcluster'... 39 clusters, used 0.5024211 secs.## Cluster 500 terms by 'hdbscan'... 13 clusters, used 0.1711211 secs.## Cluster 500 terms by 'fast_greedy'... 29 clusters, used 0.1007149 secs.## Cluster 500 terms by 'leading_eigen'... 30 clusters, used 0.220422 secs.## Cluster 500 terms by 'louvain'... 29 clusters, used 0.06802702 secs.## Cluster 500 terms by 'walktrap'... 26 clusters, used 0.2167759 secs.## Cluster 500 terms by 'MCL'... 28 clusters, used 2.415706 secs.

如果 plot_type 参数设置为heatmap，会展示不同聚类方法下的相似度矩阵热图。 最后是一个包含cluster数量的表格。

compare_clustering_methods(mat, plot_type = "heatmap")

03应用于多个go id列表

如果有多个 GO 富集结果列表（比如来自多组基因），并且想要比较不同列表之间的显著项。simplifyEnrichment包中有一个函数simpleGOFromMultipleLists 可以进行这种类型的分析。

library(cola)data(golub_cola) res = golub_cola["ATC:skmeans"]

library(hu6800.db)x = hu6800ENTREZIDmapped_probes = mappedkeys(x)id_mapping = unlist(as.list(x[mapped_probes]))

lt = functional_enrichment(res, k = 3, id_mapping = id_mappinghead(lt[[1]][, 1:7])## ID Deion GeneRatio BgRatio## GO:0033993 GO:0033993 response to lipid 50/344 909/18866## GO:0019725 GO:0019725 cellular homeostasis 47/344 971/18866## GO:0023061 GO:0023061 signal release 33/344 564/18866## GO:0055082 GO:0055082 cellular chemical homeostasis 41/344 827/18866## GO:0051046 GO:0051046 regulation of secretion 37/344 702/18866## GO:0009725 GO:0009725 response to hormone 43/344 905/18866## pvalue p.adjust qvalue## GO:0033993 2.639457e-12 1.157402e-08 9.193646e-09## GO:0019725 9.377891e-10 2.056103e-06 1.633234e-06## GO:0023061 4.079967e-09 5.516571e-06 4.382004e-06## GO:0055082 6.279164e-09 5.516571e-06 4.382004e-06## GO:0051046 7.429653e-09 5.516571e-06 4.382004e-06## GO:0009725 9.083416e-09 5.516571e-06 4.382004e-06simplifyGOFromMultipleLists(lt, padj_cutoff = 0.001)

小编总结

simpleEnrichment包能够让我们在繁多的GO terms中找到重点，从而更好的进行下一步分析，在实际使用过程中，由于代码简单，还是非常方便的，大家可以在科研中尝试使用哟！

本文转载自其他网站，不代表健康界观点和立场。如有内容和图片的著作权异议，请及时联系我们（邮箱：guikequan@hmkx.cn）

四川省委组织部 http://www.xinzhiliao.com/bj/jianfei/28271.html