r语言如何做gokegg，r语言如何做logistic回归

小程序：扫一扫查出行
【扫一扫了解最新限行尾号】
复制小程序

单细胞之富集分析-3:GO和KEGG富集分析及绘图

单细胞富集分析我最常用的是分组GSVA ，但最近用到了GO分析，就复习一下GO和KEGG富集分析及绘图。载入无比熟悉的pbmc.3k数据集 (已注释好，数据准备见 monocle )pbmc3k数据集只有1个样本，没办法区分HC和病例组。

单细胞数据的分组包含不同细胞类型，对照组和实验组，不同时间段的样本等，可以按照不同的分组将表达量矩阵和细胞分组信息提取出来，再进行后续分析。

GO富集分析加载了注释库之后，读取基因列表文件，并使用clusterProfiler的内部函数enrichGO()即可完成GO富集分析。读取基因列表文件，并使用clusterProfiler的内部函数enrichKEGG()即可完成KEGG富集分析。

GO、KEGG富集分析是我们做生信分析较为常用的部分，它可以将基因与功能相联系起来。GO指的是Gene Ontology，是基因功能国际标准分类体系。

在shell下写R语言脚本 vim DESeqR ；运行脚本 Rscript DESeqR。或者进入R，分别执行每行的命令导出SY14_VSBY474csv所有基因的表格，可用于GSEA差异分析导出SY14_up.csv，可用于GO、KEGG通路分析。

对于RNA-seq raw counts，方差随均值增长。如果直接用size-factor-normalized read counts：counts(dds， normalized=T) 进行主成分分析，结果通常只取决于少数几个表达最高的基因，因为它们显示了样本之间最大的绝对差异。

DESeq2和EdgeR都可用于做基因差异表达分析，主要也是用于RNA-Seq数据，同样也可以处理类似的ChIP-Seq，shRNA以及质谱数据。这两个都属于R包，其相同点在于都是对count data数据进行处理，都是基于负二项分布模型。

DESeq2 常常用于 RNA-Seq 数据分析，也有用于微生物组数据分析的。 DESeq 可以直接处理 FPKM 、 FTPM 、 TPM 及 CPM 数据，在处理微生物数据时用 OTU 数据。本贴就简单说说 DESeq2 是如何校正数据的。

1、GO富集分析原理：有一个term注释了100个差异表达基因参与了哪个过程，注释完之后（模式生物都有现成的注释包，不用我们自己注释），计算相对于背景它是否显著集中在某条通路、某一个细胞学定位、某一种生物学功能。

2、KEGG指的是京都基因与基因组百科全书，通常我们使用KEGG中的pathway模块，将基因映射到某些通路上，了解基因参与生物体中的代谢过程等。

3、在进行生物学实验或者生物信息的学习中，都会听说KEGG富集分析，而且该方法在高通量测序分析中已然成为数据分析中必不可少的一环。

4、例如，讨论这些差异基因主要映射到哪些GO或KEGG分类条目中，以说明基因表达的改变会导致哪些调控途径原有功能失调，进而与表型联系起来。通常称这种分析为GO、KEGG富集分析。

5、Gokegg富集分析是一种生物信息学工具，用于分析一组基因在细胞、组织或生物体中是否具有共同的生物学功能或通路。它可以将不同基因集之间的差异性比较和功能注释结果整合起来，进而预测哪些生物学过程与不同基因集相关联。

最近有粉丝反映说，利用clusterProfiler这个包绘制GO富集分析气泡图和柱形图的时候，发现GO条目的名字都重叠在一起了。气泡图柱形图这个图别说美观了，简直不忍直视。经过我的认真研究，发现跟R版本有关。

方法二是方法一的逆向思路，既然可以调大画布，那么反过来，我们也可以调小x轴标签字体。绘图结果：只要我们将纵向柱状图改成横向柱状图，那么就不会存在这种问题。

在是否需要构建的问题上，我看到徐洲更在功能注释后如何做富集分析中提到 “你不需要构建Orgdb，因为Orgdb的用途是进行基因编号和GO/KEGG的转换。

首先，打开 TBtools GO 富集分析界面整体如上，一共三个文件：具体示例如下点击 Start ，随后等待即可。完成时会有弹窗提示。

我认为是因为我一行一行地运行代码。在 rmarkdown 中运行整个 R 块时，我没有收到错误。

1、我们知道R的版本在不停的更新，相应的R包也在不停的更新。我把绘制气泡图和柱形图相关的函数拿出来认真的研究了一下，终于发现的症结所在。

2、关键还在于感兴趣点在哪了。粗略的看，可以先看KEGG或者GO功能分类，看差异基因具体富集在哪些通路或功能。比如关注的是细胞内酸合成关键酶，可以重点看酸合成和碳流相关通路。具体如何看KEGG或者GO功能分类，请听下回分解。

关于r语言如何做gokegg和r语言如何做logistic回归的介绍到此就结束了，不知道你从中找到你需要的信息了吗？如果你还想了解更多这方面的信息，记得收藏关注本站。