你知道如何使用clusterProfiler对DOSE包中的数据进行功能富集分析嘛？今天小果就来教你轻松完成富集分析的流程并通过不同的R包来实现可视化！感兴趣的话就一起看下去吧！
了解clusterProfiler
clusterProfiler包是用于更全面和灵活的基因功能富集分析的工具。它提供了比DOSE更多的功能和可定制选项，能够进行更深入的功能解释和分析。
主要功能有：
- 富集分析：clusterProfiler包支持多种生物信息学数据库（如GO、KEGG、Reactome）提供的注释数据，可以进行更广泛的功能富集分析。
- 可视化：clusterProfiler包提供了丰富的可视化功能，包括柱状图、散点图等，用于直观展示富集分析的结果，帮助研究人员更好地理解和解释数据。
- 分类和聚类：clusterProfiler包还提供了一系列分类和聚类功能，可以对基因列表进行分组和聚类，并进行富集分析，以发现不同基因子集之间的功能差异和相似性。
什么是DOSE包？
DOSE包主要用于基因功能富集分析，它能够通过比较输入的基因列表与已知的基因功能注释信息，找出在特定功能类别中富集的基因。这些功能类别包括Gene Ontology (GO)注释、KEGG通路、Reactome通路等。DOSE包提供了一系列函数，用于计算富集分析的结果，并生成易于理解和可视化的结果。
主要功能为：
- GO功能富集分析：DOSE包可以执行基于Gene Ontology的功能富集分析，包括三个方面的富集：生物过程（biological process）、分子功能（molecular function）和细胞组分（cellular component）。
- 通路富集分析：DOSE包还能进行基于KEGG和Reactome通路的富集分析，帮助研究人员了解基因在特定生物学路径中的作用和相互关联。
- 基因集合比较：DOSE包可以比较不同基因集合之间的差异，帮助研究人员确定哪些功能或通路在两个基因组之间有显著差异。
clusterProfiler富集分析
- 安装与导入R包
首先，我们需要安装并加载DOSE和clusterProfiler包：
install.packages(“DOSE”)
install.packages(“clusterProfiler”)
- 准备基因数据
在这个示例中，我们将使用DOSE包中附带的geneList数据集哦。使用以下命令加载数据集~
data(geneList, package = “DOSE”)
然后，选择前100个基因作为我们的分析对象：
g_list <- names(geneList)[1:100]
head(g_list) # 查看选择的基因列表的前6行
- 富集分析
接下来，我们将使用org.Hs.eg.db数据库进行功能富集分析。大家一定要确保已安装此数据库，然后再加载它哦~
library(“org.Hs.eg.db”)
好啦，现在我们可以我们使用以下代码执行GO富集分析，并将富集结果写入文件：
eG <- enrichGO(gene = g_list,
OrgDb = org.Hs.eg.db,
pvalueCutoff = 0.01,
qvalueCutoff = 0.01,
ont = “all”,
readable = TRUE)
write.table(eG, file = “eG.txt”, sep = “\t”, quote = FALSE, row.names = FALSE)
在这个例子中，小果设置了p值和q值的阈值为0.01，并选择了所有的功能富集类型。分析结束后将生成一个名为”eG.txt”的文本文件，其中包含我们的富集结果哦。我们一起来看看分析的结果吧！
多种方法可视化富集分析结果
接下来，小果要教大家使用enrichplot包对富集结果进行可视化：
- barplot
pdf(file = “eGO_barplot.pdf”, width = 8, height = 10)
barplot(eG, x = “GeneRatio”, color = “p.adjust”,
showCategory = 10,
split = “ONTOLOGY”) +
facet_grid(ONTOLOGY ~ ., scale = ‘free’)
dev.off()
此时在工作文件夹中得到了pdf格式的GO富集绘图：，其中包含基于各功能类型的柱状图。每个类型中显示了前10个具有调整后p值颜色编码的基因比例。我们一起来看看效果吧！
- dotplot
dotplot(eG, x = “GeneRatio”, color = “p.adjust”, size = “Count”,
showCategory = 5,
split = “ONTOLOGY”) +
facet_grid(ONTOLOGY ~ ., scale = ‘free’)
这将生成另一个散点图，其中包含基于各功能类型的点图。每个类型中显示了前5个基因比例，并根据调整后p值来设置点的颜色和大小。我们一起来看看效果：
通过以上步骤，你已经完成了基于DOSE和clusterProfiler的基因功能富集分析啦。大家可以根据的自己需求进一步调整和解释结果哦。怎么样，你学会了嘛！？