R语言：GO富集和KEGG富集、可视化教程，附代码

最新推荐文章于 2024-08-19 14:20:01 发布
最新推荐文章于 2024-08-19 14:20:01 发布
阅读量5.9w 收藏 440
点赞数 96
分类专栏： 笔记 文章标签： ggplot2 r语言
版权声明：本文为博主原创文章，遵循 CC 4.0 BY-SA 版权协议，转载请附上原文出处链接和本声明。
本文链接：https://blog.csdn.net/weixin_46544135/article/details/115750241
版权

R语言：GO富集和KEGG富集、可视化教程，附代码

小白一枚，博客仅用于记录自己的学习历程，参考了很多代码，感觉有些代码太复杂了，根据自己的喜欢进行了部分改动。

1.文件准备

导入准备好的差异基因列表，或者是某个你需要进行富集的模块的基因列表，只要有基因的名字就行，此处diff是我导入的基因列表的命名，SYMBOL是对应的基因的名字（也对应了后面我用到的SYMBOL类型的ID转换，就不用了再改动了。）

diff<-read.csv(file="C:/Users/27487/Desktop/three/group/diffgen.csv")

这张图是我导入的模块的基因列表图，真正重要的是第二列，第一列是我导入时自动生成的不用理会。
在这里插入图片描述
这张图是我导入的差异基因列表图，真正重要的是第一列。
在这里插入图片描述

2.基因ID转换

#1、加载包
library(AnnotationDbi)
library(org.Hs.eg.db)#基因注释包
library(clusterProfiler)#富集包
library(dplyr)
library(ggplot2)#画图包

#2、基因id转换，kegg和go富集用的ID类型是ENTREZID）
gene.df <- bitr(diff$SYMBOL,fromType="SYMBOL",toType="ENTREZID", OrgDb = org.Hs.eg.db）#TCGA数据框如果没有进行基因注释，那么fromType应该是Ensembl，各种ID之间可以互相转换,toType可以是一个字符串，也可以是一个向量，看自己需求                     
gene <- gene.df$ENTREZID

这张图是gene.df的界面图，我们需要用到第二列
在这里插入图片描述

3.GO富集及可视化

#3、GO富集
##CC表示细胞组分，MF表示分子功能，BP表示生物学过程，ALL表示同时富集三种过程，选自己需要的,我一般是做BP,MF,CC这3组再合并成一个数据框，方便后续摘取部分通路绘图。
ego_ALL <- enrichGO(gene = gene,#我们上面定义了
                   OrgDb=org.Hs.eg.db,
                   keyType = "ENTREZID",
                   ont = "ALL",#富集的GO类型
                   pAdjustMethod = "BH",#这个不用管，一般都用的BH
                   minGSSize = 1,
                   pvalueCutoff = 0.01,#P值可以取0.05
                   qvalueCutoff = 0.05,
                   readable = TRUE)
                   
ego_CC <- enrichGO(gene = gene,
                   OrgDb=org.Hs.eg.db,
                   keyType = "ENTREZID",
                   ont = "CC",
                   pAdjustMethod = "BH",
                   minGSSize = 1,
                   pvalueCutoff = 0.01,
                   qvalueCutoff = 0.05,
                   readable = TRUE)

ego_BP <- enrichGO(gene = gene,
                   OrgDb=org.Hs.eg.db,
                   keyType = "ENTREZID",
                   ont = "BP",
                   pAdjustMethod = "BH",
                   minGSSize = 1,
                   pvalueCutoff = 0.01,
                   qvalueCutoff = 0.05,
                   readable = TRUE)

ego_MF <- enrichGO(gene = gene,
                   OrgDb=org.Hs.eg.db,
                   keyType = "ENTREZID",
                   ont = "MF",
                   pAdjustMethod = "BH",
                   minGSSize = 1,
                   pvalueCutoff = 0.01,
                   qvalueCutoff = 0.05,
                   readable = TRUE)

#4、将结果保存到当前路径
ego_ALL <- as.data.frame(ego_ALL)
ego_result_BP <- as.data.frame(ego_BP)
ego_result_CC <- as.data.frame(ego_CC)
ego_result_MF <- as.data.frame(ego_MF)
ego <- rbind(ego_result_BP,ego_result_CC,ego_result_MF)#或者这样也能得到ego_ALL一样的结果
write.csv(ego_ALL,file = "ego_ALL.csv",row.names = T)
write.csv(ego_result_BP,file = "ego_result_BP.csv",row.names = T)
write.csv(ego_result_CC,file = "ego_result_CC.csv",row.names = T)
write.csv(ego_result_MF,file = "ego_result_MF.csv",row.names = T)
write.csv(ego,file = "ego.csv",row.names = T)

#5、但是有时候我们富集到的通路太多了，不方便绘制图片，可以选择部分绘制，这时候跳过第4步，来到第5步
display_number = c(22, 22, 22)#这三个数字分别代表选取的BP、CC、MF的通路条数，这个自己设置就行了
ego_result_BP <- as.data.frame(ego_BP)[1:display_number[1], ]
ego_result_CC <- as.data.frame(ego_CC)[1:display_number[2], ]
ego_result_MF <- as.data.frame(ego_MF)[1:display_number[3], ]

##将以上我们摘取的部分通路重新组合成数据框
go_enrich_df <- data.frame(
ID=c(ego_result_BP$ID, ego_result_CC$ID, ego_result_MF$ID),                         Description=c(ego_result_BP$Description,ego_result_CC$Description,ego_result_MF$Description),
GeneNumber=c(ego_result_BP$Count, ego_result_CC$Count, ego_result_MF$Count),
type=factor(c(rep("biological process", display_number[1]), 
              rep("cellular component", display_number[2]),
              rep("molecular function", display_number[3])), 
              levels=c("biological process", "cellular component","molecular function" )))

##通路的名字太长了，我选取了通路的前五个单词作为通路的名字
for(i in 1:nrow(go_enrich_df)){
  description_splite=strsplit(go_enrich_df$Description[i],split = " ")
  description_collapse=paste(description_splite[[1]][1:5],collapse = " ") #这里的5就是指5个单词的意思，可以自己更改
  go_enrich_df$Description[i]=description_collapse
  go_enrich_df$Description=gsub(pattern = "NA","",go_enrich_df$Description)
}

##开始绘制GO柱状图
  ###横着的柱状图
go_enrich_df$type_order=factor(rev(as.integer(rownames(go_enrich_df))),labels=rev(go_enrich_df$Description))#这一步是必须的，为了让柱子按顺序显示，不至于很乱
COLS <- c("#66C3A5", "#8DA1CB", "#FD8D62")#设定颜色

ggplot(data=go_enrich_df, aes(x=type_order,y=GeneNumber, fill=type)) + #横纵轴取值
  geom_bar(stat="identity", width=0.8) + #柱状图的宽度，可以自己设置
  scale_fill_manual(values = COLS) + ###颜色
  coord_flip() + ##这一步是让柱状图横过来，不加的话柱状图是竖着的
  xlab("GO term") + 
  ylab("Gene_Number") + 
  labs(title = "The Most Enriched GO Terms")+
  theme_bw()
 
  ###竖着的柱状图 
go_enrich_df$type_order=factor(rev(as.integer(rownames(go_enrich_df))),labels=rev(go_enrich_df$Description))
COLS <- c("#66C3A5", "#8DA1CB", "#FD8D62")
 ggplot(data=go_enrich_df, aes(x=type_order,y=GeneNumber, fill=type)) + 
  geom_bar(stat="identity", width=0.8) + 
  scale_fill_manual(values = COLS) + 
  theme_bw() + 
  xlab("GO term") + 
  ylab("Num of Genes") + 
  labs(title = "The Most Enriched GO Terms")+ 
  theme(axis.text.x=element_text(face = "bold", color="gray50",angle = 70,vjust = 1, hjust = 1 ))#angle是坐标轴字体倾斜的角度，可以自己设置

排序默认是按照调整后P值从小到大排列的，如果喜欢的话，可以自己按照富集的基因个数多少进行排列

这张图是横着的GO柱状图，每种类型我画了22条
在这里插入图片描述
这张图是竖着的柱状图
在这里插入图片描述

4.KEGG富集和可视化

#1、KEGG富集
kk <- enrichKEGG(gene = gene,keyType = "kegg",organism= "human", qvalueCutoff = 0.05, pvalueCutoff=0.05)

#2、可视化
  ###柱状图
hh <- as.data.frame(kk)#自己记得保存结果哈！
rownames(hh) <- 1:nrow(hh)
hh$order=factor(rev(as.integer(rownames(hh))),labels = rev(hh$Description))
ggplot(hh,aes(y=order,x=Count,fill=p.adjust))+
  geom_bar(stat = "identity",width=0.7)+####柱子宽度
  #coord_flip()+##颠倒横纵轴
  scale_fill_gradient(low = "red",high ="blue" )+#颜色自己可以换
  labs(title = "KEGG Pathways Enrichment",
       x = "Gene numbers", 
       y = "Pathways")+
  theme(axis.title.x = element_text(face = "bold",size = 16),
        axis.title.y = element_text(face = "bold",size = 16),
        legend.title = element_text(face = "bold",size = 16))+
  theme_bw()
  
  ###气泡图
hh <- as.data.frame(kk)
rownames(hh) <- 1:nrow(hh)
hh$order=factor(rev(as.integer(rownames(hh))),labels = rev(hh$Description))
ggplot(hh,aes(y=order,x=Count))+
geom_point(aes(size=Count,color=-1*p.adjust))+# 修改点的大小
scale_color_gradient(low="green",high = "red")+
labs(color=expression(p.adjust,size="Count"), 
     x="Gene Number",y="Pathways",title="KEGG Pathway Enrichment")+
theme_bw()

做出来的KEGG柱状图和气泡图
在这里插入图片描述
在这里插入图片描述

是二月啊
关注
专栏目录
R语言 GO|KEGG
JjinYyi的博客
03-22 736
GO分析，参数写得详细 clusterProfiler，含代码‘ clusterProfiler: 分析+可视化GO和KEGG富集
KEGG-GO注释分析代码.R
05-10
转录组分析差异表达基因注释时，用R语言的biocondcouter分析,根据代码，搜索需要分析的物种，就可出来结果
写一个KEGG富集分析的R语言代码
weixin_42607969的博客
02-07 1342
。 有很多方法可以在R语言中完成KEGG富集分析。这里是一个简单的代码示例： library(clusterProfiler) library(KEGG.db) # 读取基因列表 geneList <- c("gene1", "gene2", "gene3") # 进行KEGG富集分析 result <- enrichKEGG(geneList, organism = "hsa")...
R语言|KEGG通路分析图绘制|GO通路分析图绘制|按大小排列|David数据库|生物信息
最新发布
qq_43777616的博客
08-19 536
R语言|KEGG通路分析图绘制|GO通路分析图绘制|按大小排列|David数据库|生物信息
零基础入门转录组数据分析——GO+KEGG富集分析
weixin_49878699的博客
03-29 2万+
转录组数据分析之一，先介绍相关基础知识，其次用实际案例为基础，由浅入深介绍GO+KEGG富集分析全过程
R语言clusProfiler进行GO与KEGG富集分析
Joey_Liu666的博客
05-26 4187
GO和KEGG富集分析的注释信息（注释包） GO常用的注释信息包 GO的注释信息主要来自Bioconductor，提供了19个物种的org类型的GO注释信息。其中包括有常见的物种，如：牛、猪、人类、小鼠等。 BioconductorGO注释包https://link.zhihu.com/?target=http%3A//www.bioconductor.org/packages/release/data/annotation/ KEGG注释信息包 KEGG APIhttps://lin
用R语言对基因进行KEGG分析（附详细代码）
weixin_51192038的博客
06-25 1万+
kegg分析gene通路
【R语言】——基因GO/KEGG功能富集结果可视化（保姆级教程）
weixin_54004950的博客
12-30 2万+
上期“原来基因功能富集分析这么简单”介绍如何使用DAVID在线分析工具对基因进行GO/KEGG功能富集分析。注：DAVID导出来的“%”这列为“Gene ratio”；上面只展示“BP”的数据，其余“CC”和“MF”也是类似格式，故不一一列举。好了本次分享就到这里，下期将分享使用R clusterProfiler包对基因进行GO/KEGG功能富集分析，敬请期待。关注“在打豆豆的小潘学长”公众号，发送“富集分析1”获得完整代码包和演示数据。图5 KEGG富集分析柱状图。图6 KEGG富集分析气泡图。
【R语言】——基因GO/KEGG富集分析!超级简单的保姆级教程！
weixin_54004950的博客
01-09 4万+
GO/KEGG功能富集分析中重要的是背景基因的选择，使用R clusterProfiler包对基因进行富集，需要导入目的基因（前景基因）相对应物种的参考基因组（背景基因），现阶段“bioconductor”已有十几种常见动物，如人类、小鼠等物种的OrgDb。”介绍如何使用DAVID在线分析工具对基因进行GO/KEGG功能富集分析和使用R ggplot包对获得的基因GO/KEGG功能富集结果进行可视化。：富集到该GO term/KEGG term中的基因数目/给定基因的总数目；
RNA-seq：KEGG富集分析
Yuuuuuan_的博客
07-22 287
首先差异分析得到的数据框DEG没有ensembl id这一列，需要先用bitr函数把基因符号转换为ensembl id；转换完之后得到一个带有基因符号和ensembl id的数据框，此时需要单独将ensembl id这一列提取出来作为一个向量，添加到DEG数据框中，用于下一步的富集分析，由于不是所有的基因符号都能成功转换，所以在向DEG数据框添加ensembl id这一列的时候还需要额外填充NA值；输入数据为差异分析后得到的Rdata，我使用的是三大R包差异分析，随机选取了一个R包的分析结果作为输入数据。
多GSEA富集图_R语言绘制SCI图的输入文件及代码.rar
07-30
多GSEA富集图_R语言绘制SCI图的输入文件及代码.rar
R语言：GO富集和KEGG富集
08-23
R语言中可以使用许多不同的包来进行GO富集和KEGG富集分析。下面是一个使用clusterProfiler包进行富集分析的示例代码： 1. 安装和加载必要的包： ```R install.packages("clusterProfiler") library...
pvrect r语言 聚类_R语言实现KEGG通路富集可视化
weixin_39797686的博客
12-22 2207
用过KEGG的朋友应该都很熟悉里面的通路地图。你是否想过如果自己可以控制通路图将自己的基因绘制在一个通路图中，那么今天给大家介绍一个新推出的Bioconductor软件包pathview。这个包可以进行KEGG富集分析。首先，我们不耐烦的介绍下Bioconductor包的安装方式：source("http://bioconductor.org/biocLite.R")biocLite("pathv...
r语言进行go富集分析_R语言GEO数据挖掘-功能富集分析
weixin_39974882的博客
12-20 3806
功能富集分析 在得到了差异基因的基础之上，进一步进行功能富集分析，这里我们使用clusterprofiler包本文将对差异基因进行 GO, KEGG注释并完成可视化,GSEA分析Sys.setlocale('LC_ALL','C')library(tidyverse)library(ggplot2)library(dplyr)library(clusterProfiler)library(o...
R语言：GO富集分析
07-27
其中，clusterProfiler包是一个功能强大的包，主要用于进行GO和KEGG的功能富集分析，并提供了可视化功能。org.Hs.eg.db包用于转换不同数据库中的基因ID和符号之间的转换。enrichplot包提供了多种可视化方法来解释...
（R语言）-15-KEGG富集分析气泡图
明天吃什么好呢~的博客
05-05 973
【代码】KEGG富集分析气泡图。
使用R语言ggplot2包绘制pathway富集分析气泡图（Bubble图）:数据结构及代码
热门推荐
无名岛
08-28 6万+
气泡图是在笛卡尔坐标系同加入大小的参数所形成的可以表示三个变量关系的图例。在对基因完成GO/KEGG分析后，使用气泡图可以直观的展示pathway、pvalue、count之间的关系。下面为使用R语言ggplot2包绘制气泡图所需的数据结构及代码： 由于笔者常使用read.csv读取文件，因此在第一列预留行名，建议实际操作时使用GOID以防止行名重复。 library(ggplot2) ...
富集分析（GO、KEGG、GSEA）
weixin_59289660的博客
04-27 1万+
library("clusterProfiler") library("org.Hs.eg.db") GO分析 GO分析需要一个基因 symbol列表，列表中为差异表达基因。 一、读入数据 result<- read.csv(file = "Results/gleason high vs low_DESeq2差异分析/gleason high vs low_result.csv", header=T, row.names=1,check.names=FALSE) t_index=r..
GO富集分析R代码
peiqi_luffy的博客
07-25 3558
library(AnnotationHub) #library导入需要使用的数据包 library(org.Hs.eg.db) #人类注释数据库 library(clusterProfiler) #做富集分析 library(topGO) #做GO图 library(pathview) #看通路的 library(Rgraphviz) #将上面包连接使用的 ######该文件包含数据只需要一列基因名称即可 #GO分析 DEG <- read.csv(file.choose(),sep = “\
评论 66
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付：10.00元
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付元
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明：

1.余额是钱包充值的虚拟货币，按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载，可以购买VIP、付费专栏及课程。

余额充值