富集分析：（一）概述

最新推荐文章于 2024-05-30 09:12:31 发布

生信技工

最新推荐文章于 2024-05-30 09:12:31 发布

阅读量9.6k

点赞数 25

文章标签：数据分析经验分享知识图谱

本文链接：https://blog.csdn.net/qq_40569830/article/details/125471215

版权

本文介绍了富集分析的概念，包括富集分析的统计学基础和常见算法，如过表达分析(ORA)、功能分类打分(FCS)等。文章详细讨论了这些方法的优缺点，并提到了富集分析中常用的数据集，如GO和KEGG。此外，还列举了多种富集分析工具，如NASQAR、Enrichr、KOBAS-i等，并推荐了R包clusterProfiler和topGO。富集分析在生物学研究中用于发现差异表达基因集的生物功能意义，帮助理解基因或通路在特定生物学过程中的角色。

摘要由CSDN通过智能技术生成

（全文约6600字）

1. 富集分析

1.1. 富集分析概念

富集分析

富集分析，本质上是对数据的分布检验，如果分布集中在某个区域，则认为富集。

常用的分布检验方法有卡方检验、Fisher精确检验以及KS检验等方法。

生物信息学领域的富集分析

在 背景基因集(N) 下获得 一组特定基因集(S) ，S可能是基因列表，表达图谱，基因芯片等形式。在预先构建好基因注释数据库(例如GO,KEGG等)已对背景基因集(N)根据生物功能或过程进行分类的前提下，通过统计学算法找出有那些显著区别于背景基因集(N)的类别(生物组成/功能/过程)，或者找出这组特定基因集间在生物组成/功能/过程的共性，经过聚类后去除冗余得到基因富集结果的过程，即为富集分析。

常用数据

其中，背景基因集(N) 常常是一个物种的基因组注释基因总和。
一组特定基因集(S) 常常是差异表达基因集(differentially expressed genes, DEGs)。
预先构建好基因注释数据库常用GO或KEGG数据库。
常见的统计学算法包括ORA,FCS,PT,NT四种。

实际应用

通常会使用其他分析的结果作为特定基因集(S)，做基因富集分析来查看这些基因集是否主要集中在某些类别，这些类别代表的功能是否与表型或者进化事件有关联。比如：

比较转录组分析得到的差异表达基因集；
比较基因组分析中得到的某物种特有的基因集；
基因家族收缩扩张分析得到的基因组中显著扩张/收缩的基因集；
基因组共线性分析中在全基因组复制事件附近的Ks值的基因集等各种分析得到的基因集；

1.2. 富集分析的算法

富集分析算法经过发展，常见的有四类：

Figure 1. 富集分析四类算法
图片来源：paper:Progress in Gene Functional Enrichment Analysis

1.2.1. 过表达分析(Over Representation Analysis, ORA)

过表达分析(ORA)概念

过表达分析(ORA)是对背景基因集(N)和特定基因集(S)按照已知的基因功能或通路等分组，并鉴定特定基因集(S)在哪些组包含比背景基因集(N)比例更多的基因(过度表达，over-represented，即富集enriched)或更少的基因(表达不足，under-represented)的一种统计学方法。

ORA是出现最早，最常用，有完善的统计学理论基础的方法。ORA重点在于通过基因集组成的比例来判断富集程度。

过表达分析的分布检验

ORA类方法用的是离散分布的检验（Fisher精确检验，依据超几何分布的原理）。

超几何分布有很多资料可参考，比如：https://www.jianshu.com/p/13f46bebebd4

过表达分析(ORA)的局限性

ORA使用的统计方法(例如超几何分布，二项分布，卡方分布)只考虑差异基因数量，忽略了差异程度(不同表达水平)，，需要人为设置阈值，没有一个设置规定，阈值设置有主观性。
通过一刀切的人为规定的阈值，找出差异最显著的单个基因，而忽略其他基因，比如差异小但变化方向一致的基因集，往往后者比前者更重要。
利用的统计学假设每个基因相互独立，但是就生物体本身而言，忽略了基因间内部的复杂的相互作用，并且每个基因在不同的生物学过程中发挥的作用大小不一样，同等看待结果可能会不准确。
假设每条通路都独立其他通路。

过表达分析(ORA)的实际操作
需要四组数据：

背景基因集(N)：常常是一个物种的基因组注释基因总和
特定基因集(S)：常常是差异表达基因集(differentially expressed genes, DEGs)
背景基因集的分类信息：常常通过注释数据库(GO,KEGG等)和背景基因集获得
特定基因集的分类信息：常常通过注释数据库(GO,KEGG等)和特定基因集获得

通过四组数据获得基因数量的2×2列联表，再利用fisher精确检验或超几何分布得到p值。认为设置一个显著性阈值，高于阈值的即为富集基因。

1.2.2. 功能分类打分(Functional Class Scoring,FCS)

1.2.2.1. 功能分类打分(FCS)

功能分类打分(FCS)概念和改进

功能分类打分(FCS)与ORA相比进行了基本假设的改变，除了考虑单个基因的显著变化外，还考虑微效基因的叠加效果。

代表是基因集富集分析(Gene Set Enrichment Analysis, GSEA)

FCS分析的三个步骤

计算单个基因表达水平的统计值，采用如衡量差异基因的ANOVA、Q-statistic、t检验、Z-score、信噪比，进行打分或排序，或者直接使用排序好的基因表达谱
同一通路上所有基因的表达水平统计值进行整合，汇集成单个通路水平的分数或统计值，采用基因水平统计的和、均值或中位数，Wilcoxon rank sum, Maxmean statistic, Kolmogorov-Smirnov statistic
对通路水平的显著性进行评估：利用重抽样(bootstrap)的统计学