富集分析的原理与实现

一般做完差异分析都会做这一步，目的是找到差异基因富集到的通路，进而与生物学意义联系起来。具体的统计方法很简单，这篇笔记里面的代码可以从零搭建一个富集分析工具。

后台回复20211007获取本文的测试数据和代码，以及（单细胞）转录组分析中可能用到的GO KEGG富集分析代码（这部分本文不演示）。

关于Gene Ontology (GO), KEGG这些背景就不讲了，网上很多资料。

将富集分析中的问题抽象出来，其实就是下图的“摸球”问题。

蓝色方框中的球是所有的基因【共N个】，在探究某个特定通路P时，通路里面涉及到的基因用红色表示【共M个】。绿色圆圈是一次摸球事件，用来表示做了一次差异分析得到的基因【共n个】，这些基因中，有属于通路P的(红色球)【共k个】，有不属于的(黑色球)。

用摸球问题中的语言再描述一次：袋子中共有黑球和红球N个，其中红球M个。某次抽样中，一共摸球n个，其中红球k个，问在这次摸球中，红球的占比是否显著高于袋子中红球的占比？
（以前学摸球问题/超几何分布的时候，可能只求概率，没有进一步到这个统计检验）

回答这个问题，需要求出问题中这个事件的概率以及更极端事件的概率之和，也就是p值，小于0.05或者0.01就能认为是显著了。

1. 一个通路&#x