📚 课程目录第1章 GO富集分析概述

GO富集分析结果可视化集成方法 - 第1节

GO 富集分析概述：从基因列表到生物学故事

做生信分析的人，手里握着一堆差异基因，最常问的一个问题就是：“这些基因到底在干嘛？”

你拿到的是几百个上调、下调的基因名，但光看名字，很难说出个所以然来。这时候，就需要一个“翻译器”——把基因列表翻译成生物过程、细胞组分或者分子功能。嗯，这个“翻译器”就是 GO 富集分析。

我个人习惯把这个过程叫做“给基因组队”。每个基因都有它归属的“组织”和“职能”，GO 数据库就是记录了这些信息的巨大档案库。富集分析，说白了就是看你的基因集里，哪几个“职能”的成员特别多，多到不像是随机凑出来的。

GO 数据库：一个活着的基因词典

GO 全称 Gene Ontology，是一套结构化的、可计算的基因功能分类体系。它不是静态的，而是由全球科学家持续维护和更新的。

我第一次用 GO 的时候，以为它就是一套简单的分类标签。后来才发现，它的核心是一个有向无环图，每个节点代表一个术语，节点之间是层级关系。比如“细胞凋亡”是“程序性细胞死亡”的子类，“程序性细胞死亡”又是“细胞死亡”的子类。这种结构让分析既精细又可以在不同层级上做汇总。

在实际项目中，我们通常直接用 R 包或者在线工具去查询，但理解它的底层结构，对我们判断结果很有帮助。比如，如果你看到“定位”类术语在结果里扎堆，可能不是你关注的核心通路，而是基因普遍存在的属性，要慎重解读。

一个小提示：GO 数据库更新很快。我个人建议在做正式分析前，检查一下你用的注释包版本。不同版本的结果可能会有差异，尤其是在研究非模式物种时。

三大类别：BP、CC、MF

GO 把基因功能分成三个独立的 ontology，互不重叠。每个基因可能同时关联多个类别的多个术语。

我见过不少新手把 BP 和 MF 搞混，所以这里花点时间说清楚。

类别	全称	核心问题	典型例子
BP	Biological Process	这个基因参与了什么生物学过程？	DNA 修复、细胞周期调控、免疫应答
CC	Cellular Component	这个基因产物在细胞的哪个位置干活？	线粒体膜、核仁、细胞质
MF	Molecular Function	这个基因产物在分子层面做什么？	催化活性、转录因子结合、离子通道

我的经验：在实际项目中，建议把 BP、CC、MF 分开看。因为它们的生物学意义完全不同。BP 往往给你过程或通路的线索，CC 告诉你作用位置，MF 则揭示直接的分子机制。比如一个癌基因，可能在 BP 里富集在“细胞增殖”，在 CC 里富集在“细胞核”，在 MF 里富集在“转录因子活性”。三个类别合起来，就能拼出一幅完整的图景。

富集分析的基本原理：超几何分布与 Fisher 精确检验

富集分析的核心逻辑很简单：你的基因列表里，某个 GO 术语出现的频率，是否显著高于随机期望？

怎么做呢？我们用一个 2×2 列联表来想。假设整个基因组有 N 个基因，其中 M 个属于“DNA 修复”这个 GO 术语。你手头有 n 个差异基因，其中 k 个属于“DNA 修复”。那问题就是：这 k 个基因是不是多得不正常？

统计上，这个问题可以用超几何分布来建模。说白了，就是从 N 个球里抽 n 个，其中属于特定颜色的球有 M 个，你抽到的 k 个属于这种颜色的概率有多大。

这个概率 p 值就是富集分析的显著性指标。p 值越小，说明这个 GO 术语越不太可能随机出现，越值得关注。

在实际中，我们通常用 Fisher 精确检验来做这件事，也可以用卡方检验做近似，但样本量小的时候，Fisher 更可靠。

嗯，这里要注意一个坑：因为同时检验了成百上千个 GO 术语，必须做多重假设检验校正。常用的方法有 BH（Benjamini-Hochberg）和 Bonferroni。我个人习惯用 BH，也就是 FDR（假发现率），因为它相对宽松一些，能保留更多可能真实的信号。如果样本量极小或者结果要求非常保守，再考虑 Bonferroni。

一个我曾经踩过的坑：有次我拿到一个富集结果，看起来非常漂亮，很多过程都显著。但后来发现，背景基因集选错了。我用的是整个基因组做背景，但这些差异基因来自特定的细胞类型，正确的背景应该用那个细胞类型表达的基因集。所以，背景基因的选择直接影响结果。忘了这步，你的 GO 分析可能都是错的。

GO 富集分析的常见流程

说了这么多理论，我们来梳理一下标准流程。这样你拿到一个实际项目时，心里就有谱了。

获取差异基因列表：从 RNA-seq 或芯片数据中得到。一般是 p 值 + 差异倍数筛选出来的。
准备注释文件：需要知道每个基因对应的 GO 术语。常用数据库有 org.XX.eg.db 系列 R 包，或者用 DAVID、clusterProfiler 等工具。
执行富集检验：用超几何分布或 Fisher 精确检验，计算每个 GO 术语的 p 值。
校正 p 值：用 BH 或其他方法控制假阳性。
解读结果：筛选显著术语（通常 q-value < 0.05），进一步做可视化。

这里给出一个简单的 R 代码示例，用 clusterProfiler 包做 BP 的富集分析。

library(clusterProfiler)
library(org.Hs.eg.db)

# gene_list 是你的差异基因向量（Entrez ID）
# keyType 指定输入ID类型
# ont = "BP" 指定生物过程
ego <- enrichGO(gene          = gene_list,
                OrgDb         = org.Hs.eg.db,
                keyType       = "ENTREZID",
                ont           = "BP",
                pAdjustMethod = "BH",
                pvalueCutoff  = 0.05,
                qvalueCutoff  = 0.05)

# 查看结果
head(ego)

这段代码跑完，你会得到一个数据框，包含 GO ID、描述、富集基因数、p 值、校正后 p 值和基因列表。

对我来说，拿到结果后的第一步不是看 p 值，而是看富集基因数。如果一个术语富集了 200 个基因，而你的差异基因总共只有 300 个，那这个术语很可能太宽泛了，生物学意义有限。我通常会设置一个最小基因数（比如 5 个），再结合 p 值一起判断。

核心知识体系：一张图说清楚

下面我用一张 SVG 图把本章的核心逻辑串起来。你看了这张图，就应该能理解 GO 富集分析到底在解决什么问题。

从上往下看，流程很清楚：输入是你的差异基因，然后去 GO 数据库里找这些基因对应的 BP、CC、MF 信息，接着用统计检验算出哪些术语显著富集，最后做可视化解读。这里面每一步都有陷阱，后面几章我会一一展开。

我个人觉得，理解这张图比背下所有的 R 包语法更重要。因为工具会变，但底层逻辑不会变。你把这张图印在脑子里，无论以后换什么分析工具，都只是换了个壳而已。

一句话总结本章：GO 富集分析就是用统计方法，从基因列表里找出那些“不寻常地多”的功能类别，帮你把一堆基因名翻译成生物学故事。