GO与KEGG富集分析：原理、工具与应用指南

1. GO和KEGG富集分析概述

在生物信息学研究中，GO（Gene Ontology）和KEGG（Kyoto Encyclopedia of Genes and Genomes）富集分析是最常用的功能注释和通路分析方法。这两种方法帮助研究人员从海量的基因表达数据中提取有生物学意义的模式，理解差异表达基因在生物过程中的功能角色。

富集分析的核心思想是：如果一组基因在某个功能类别或通路中的比例显著高于随机期望，就认为这个功能类别或通路与该基因集相关。这种分析方法特别适用于转录组测序（RNA-seq）、芯片数据等高通量实验的结果解读。

2. GO富集分析详解

2.1 GO数据库结构

GO数据库包含三个独立的子本体：

• 生物过程（Biological Process, BP）：描述基因产物参与的生物程序
• 细胞组分（Cellular Component, CC）：描述基因产物活跃的细胞位置
• 分子功能（Molecular Function, MF）：描述基因产物在分子水平上的活性

每个GO term都有唯一的标识符（如GO:0008150）和明确的定义，这些term通过"is_a"和"part_of"等关系构成有向无环图（DAG）。

2.2 GO富集分析方法

常用的统计方法包括：

1. 超几何检验（Hypergeometric test）
2. Fisher精确检验
3. 卡方检验
4. 基因集富集分析（GSEA）

以超几何检验为例，其计算公式为：

P = 1 - Σ (M choose k)(N-M choose n-k)/(N choose n) for k=0 to x-1

其中：

• N：背景基因总数
• M：背景中属于某个GO term的基因数
• n：差异基因总数
• x：差异基因中属于该GO term的基因数

2.3 GO富集分析工具

常用工具包括：

• clusterProfiler（R包）
• DAVID
• Metascape
• g:Profiler
• WebGestalt

注意事项：选择工具时应考虑物种覆盖度、更新频率和统计方法。对于模式生物，clusterProfiler通常是首选；对于非模式生物，可能需要使用InterProScan等工具先进行注释。

3. KEGG富集分析详解

3.1 KEGG数据库组成

KEGG包含多个子数据库，其中与富集分析最相关的是：

• KEGG PATHWAY：代谢和信号通路
• KEGG BRITE：功能层次分类系统
• KEGG MODULE：功能单元集合

每个通路都有独特的标识符（如hsa04110表示细胞周期通路），包含基因、化合物和反应之间的相互作用信息。

3.2 KEGG富集分析流程

典型分析步骤：

1. 基因ID转换（如Ensembl ID到Entrez ID）
2. 统计检验（方法与GO富集类似）
3. 多重检验校正（FDR或Bonferroni）
4. 结果可视化

3.3 KEGG分析工具

除上述GO分析工具外，还有：

• KOBAS
• KEGG Mapper
• Pathview（用于通路可视化）

4. 富集结果可视化

4.1 常用图表类型

1. 条形图：展示显著富集的term及其p值
2. 气泡图：同时展示p值、富集倍数和基因数
3. 网络图：展示term之间的关系
4. 通路图：在KEGG通路图上标记差异基因

4.2 可视化工具

• ggplot2（R）
• SRplot（在线工具）
• Cytoscape（网络图）
• Pathview（通路图）

5. 实操案例

5.1 使用clusterProfiler进行GO/KEGG分析

# 安装和加载包 if (!require("BiocManager", quietly = TRUE)) install.packages("BiocManager") BiocManager::install("clusterProfiler") library(clusterProfiler) # 准备基因列表（Entrez ID） geneList <- c("4312", "8318", "10874", "55143", "55388") # GO富集分析 ego <- enrichGO(gene = geneList, OrgDb = org.Hs.eg.db, keyType = "ENTREZID", ont = "BP", pAdjustMethod = "BH", pvalueCutoff = 0.05, qvalueCutoff = 0.2) # 结果可视化 dotplot(ego, showCategory=15) # KEGG富集分析 kk <- enrichKEGG(gene = geneList, organism = "hsa", pvalueCutoff = 0.05) barplot(kk, showCategory=15)

5.2 结果解读要点

1. 关注校正后的p值（FDR或q-value），通常<0.05认为显著
2. 检查富集倍数（GeneRatio/BgRatio）
3. 结合生物学背景判断结果的合理性
4. 避免过度解读统计显著但生物学意义不明确的结果

6. 常见问题与解决方案

6.1 基因ID转换问题

问题：工具报错"invalid gene ID" 解决：

1. 确保使用正确的ID类型（Entrez/Ensembl/Symbol）
2. 使用bitr函数转换ID：

library(clusterProfiler) bitr(geneList, fromType="ENSEMBL", toType="ENTREZID", OrgDb="org.Hs.eg.db")

6.2 物种不支持

问题：非模式生物缺乏注释 解决：

1. 使用Orthology预测（如eggNOG-mapper）
2. 使用InterProScan进行功能预测
3. 考虑使用更通用的数据库（如Reactome）

6.3 结果不显著

可能原因：

1. 差异基因筛选标准过严/过松
2. 背景基因集选择不当
3. 样本量不足导致统计功效低

解决方案：

1. 调整差异基因筛选阈值
2. 尝试不同的背景基因集
3. 使用GSEA等不需要预先筛选差异基因的方法

7. 高级技巧与优化

7.1 简化GO结果

使用simplify函数去除冗余term：

ego_simp <- simplify(ego, cutoff=0.7, by="p.adjust")

7.2 定制可视化

使用ggplot2自定义图表：

library(ggplot2) df <- as.data.frame(ego) ggplot(df[1:10,], aes(x=GeneRatio, y=reorder(Description, GeneRatio))) + geom_point(aes(size=Count, color=-log10(p.adjust))) + scale_color_gradient(low="blue", high="red") + theme_bw()

7.3 多组比较

使用compareCluster函数比较不同条件下的富集模式：

geneClusters <- list(Cluster1=c("gene1","gene2"), Cluster2=c("gene3","gene4")) ck <- compareCluster(geneClusters, fun="enrichKEGG", organism="hsa") dotplot(ck)

8. 文献引用与结果报告

在论文方法部分应明确说明：

1. 使用的工具和版本
2. 统计方法和校正方法
3. 显著性阈值
4. 数据库版本

示例表述： "GO and KEGG enrichment analyses were performed using clusterProfiler (v4.0) with a significance threshold of FDR < 0.05. Gene Ontology biological processes and KEGG pathways were considered significantly enriched when the adjusted p-value was less than 0.05 after Benjamini-Hochberg correction."

在结果部分，建议：

1. 报告top显著的term
2. 结合图表展示关键发现
3. 讨论富集结果与实验假设的关系

9. 最新进展与替代方法

1. GSEA（Gene Set Enrichment Analysis）：不需要预先筛选差异基因
2. GSVA（Gene Set Variation Analysis）：样本水平的富集评分
3. 网络富集分析：考虑基因相互作用网络
4. 机器学习方法：如deepGO等深度学习模型

专业建议：对于大型项目，考虑使用多种方法交叉验证结果。同时定期检查数据库更新，因为GO和KEGG每月都有新内容加入。