气泡图的数据结构：三个核心指标

讲气泡图，很多人上来就看图。但我建议你先搞清楚图背后的数据长啥样。

说白了，气泡图上每一个泡泡背后都对应一行表格数据。这行数据至少有四个字段：基因数、P值、富集因子，还有通路名字。我刚开始做富集分析时，只看颜色和大小，结果有一次把富集因子算反了，画出来的图完全反直觉。嗯，从那以后我每次都先检查数据框的列名。

下面我拆开一个个讲。

基因数（Count）—— 泡泡的大小

基因数就是这个通路上真正匹配到你基因列表里的基因个数。比如你的输入基因有200个，KEGG的「细胞周期」通路里背景基因是300个，其中你输入列表里有25个，那Count就是25。

Count值越大，气泡直径越大。这里有个坑：

P值（或调整后P值）—— 泡泡的颜色

P值代表富集结果的统计学显著性。你想想看，一个通路里偶然出现几个基因很正常，但出现太多就不太可能是巧合了。P值越小，颜色通常越红或越深。

我个人习惯用 调整后P值（p.adjust） 来做颜色映射。因为KEGG通路数不多（几百条），但如果你用ORA（Over-Representation Analysis），不做多重假设校正，P值很容易虚低。

富集因子（Rich Factor）—— 泡泡的X/Y位置

富集因子定义多样，但最常见的一种是：
富集因子 = （输入基因中属于该通路的基因数）/ （该通路总背景基因数）
这个值范围在0到1之间，越接近1说明你输入基因对该通路的覆盖度越高。

注意：有些工具把 GeneRatio 当纵坐标，它和富集因子有点像，但分母不同：
GeneRatio = 输入基因中属于该通路的基因数 / 你的总输入基因数。

我曾经在对比几个工具结果时发现，同一个通路在clusterProfiler里Rich Factor=0.3，在DAVID里却显示0.15，差点以为算错了。后来才发现分母定义不一样。所以看气泡图前，一定先确认X轴/Y轴标签是什么。

一张表说清楚

从R数据框看数据结构

我们用clusterProfiler跑出来的结果，直接 head() 就能看到这些列。

# 假设你已经做了 enrichKEGG
library(clusterProfiler)
data(geneList, package="DOSE")
kegg_res <- enrichKEGG(gene = names(geneList)[1:100],
                       organism = 'hsa',
                       pvalueCutoff = 0.05)
head(kegg_res[, c("ID", "Description", "GeneRatio", "BgRatio", "pvalue", "p.adjust", "qvalue", "Count")])

输出大概长这样：

            ID        Description GeneRatio  BgRatio    pvalue  p.adjust  qvalue Count
hsa04110 hsa04110        Cell cycle    25/200 300/8000 3.45e-08 1.23e-05 1.01e-05    25
hsa03030 hsa03030 DNA replication    12/200 150/8000 1.22e-04 2.56e-03 2.34e-03    12
...

这里 GeneRatio 是"25/200"这样的字符串，表示25个输入基因中属于该通路；BgRatio 是背景比例。你画图时如果要计算Rich Factor，可以把两个Ratio相除，但更常见的做法是直接用 Count 和 p.adjust 加 GeneRatio。

我画气泡图时用到的R代码

下面是我常用的一个代码片段，直接基于clusterProfiler的结果画图，并手动调整映射变量。

library(ggplot2)
library(DOSE)

# 转换数据为数据框
df <- as.data.frame(kegg_res)
# 计算 GeneRatio 数值 (分子/分母)
df$GeneRatio_num <- sapply(strsplit(df$GeneRatio, "/"), function(x) as.numeric(x[1])/as.numeric(x[2]))
# 画气泡
ggplot(df, aes(x = GeneRatio_num, y = Description)) +
  geom_point(aes(size = Count, color = p.adjust)) +
  scale_color_gradient(low = "red", high = "blue") +
  theme_bw()

注意：我没有用 scale_size_continuous 限制大小范围，有时几个极端大通路会撑爆版面。你可以加 scale_size_area(max_size = 10) 让气泡面积与Count成正比。

避坑：富集因子到底怎么算

气泡图数据结构总览

下面这张SVG图把整个映射关系串起来。你可以把它当成一个“数据结构→气泡图元素”的快速参考。

常见错误与调优建议

• 气泡过小或过大： 如果Count范围很大（比如从2到200），默认的scale_size可能会让最小的泡泡几乎看不见。可以设置 scale_size_area(max_size = 12) 或手动指定 limits。
• 颜色映射失真： p.adjust 值通常集中在0.01～0.05之间，直接用连续色标可能会让大部分点颜色接近。我一般先取 -log10(p.adjust) 再映射，色带用 scale_color_gradientn(colors = c("blue", "yellow", "red")) 拉开中部。
• X轴混淆： 一定确认横轴标签是 Rich Factor 还是 GeneRatio。如果横轴值都小于0.1但纵轴通路很多，很可能是用了 GeneRatio（因为分母是总输入基因数，而KEGG通路本身基因数都在几十到几百，比率会小）。