导读：之前讲了如何用筛选出的差异基因做做相关性分析。那今天我和各位小伙伴深入的讲一下：（1）如何用clusterProfiler做KEGG|GO富集条形图，气泡图；（2）如何用enrichplot做gene-GO terms|gene-KEGG pathways网络图；（3）如何用GOplot绘制gene-GO terms|gene-KEGG pathways和弦图；（4）如何用heatplot绘制gene-GO terms|gene-KEGG pathways关系瀑布图。
正文：GO,KEGG富集分析条形图（barplot）和气泡图（dotplot）都只显示最显著的富集项，而用户如果想知道哪些基因与这些显著项有关，该怎么办呢？cnetplot就是将基因GO terms或KEGG pathways之间的联系描述为一个网络，体现gene-GO terms|gene-KEGG pathways的关系趋势。瀑布图（heatplot）与cnetplot类似，它将gene-GO terms|gene-KEGG pathways关系显示为热图。因为gene-GO terms|gene-KEGG pathway网络图可能会过于复杂，热图可以简化结果，更容易识别表达模式。
Part1:KEGG|GO富集条形图，气泡图
library(openxlsx)
library(clusterProfiler)
library(ggplot2)
library(enrichplot)
library(GOplot)
library(DOSE)
library(stringr)
先把需要用到的包加载好，没有安装的依赖包一起安装一下。安装好所有的包之后，下面我们开始读取数据。
setwd("E:\\Bioinfo_analysis\\scripts\\corr\\corr_batch") #设置工作路径
fr<-read.xlsx('DEGs.xlsx',rowNames = F,colNames = T)#数据格式如下
gene<-bitr(fr$Genes,fromType = 'SYMBOL',toType = 'ENTREZID',OrgDb = 'org.Hs.eg.db') #基因名ID转换，把基因名转换成ENTREZID
GO<-enrichGO(
gene$ENTREZID,
OrgDb = 'org.Hs.eg.db',
keyType = "ENTREZID",
ont = "ALL",
pvalueCutoff = 0.05,
pAdjustMethod = "BH",
qvalueCutoff = 0.05,
minGSSize = 10,
maxGSSize = 500,
readable = TRUE
)#GO富集
KEGG<-enrichKEGG(
gene$ENTREZID,
organism = "hsa",#我用到是数据是人的组织数据，所以这里选择‘hsa’
keyType = "kegg",
pvalueCutoff = 0.05,
pAdjustMethod = "BH",
universe,
minGSSize = 5,
maxGSSize = 500,
qvalueCutoff = 0.2,
use_internal_data = FALSE
)#KEGG富集
barplot(GO, split="ONTOLOGY")+facet_grid(ONTOLOGY~., scale="free") #GO聚类条形图，fig1
fig1.BP:生物过程，CC：细胞组成，MF:分子功能。
dotplot(GO, split="ONTOLOGY")+facet_grid(ONTOLOGY~., scale="free") #GO聚类气泡图,fig2
Fig2
barplot(KEGG,showCategory = 40,title = 'KEGG Pathway') #KEGG聚类条形图,fig3
fig3
dotplot(KEGG) #KEGG聚类气泡图,fig4
fig4
Part2:gene-GO terms|gene-KEGG pathways网络图
其实以上都是KEGG和GO相关的常规分析，GO,KEGG富集分析条形图（barplot）和气泡图（dotplot）都只显示最显著的富集项，而用户如果想知道哪些基因与这些显著项有关，该怎么办呢？下面我们再升级一下。
enrichplot::cnetplot(GO,circular=TRUE,colorEdge = TRUE)#GO通路-基因网络图，fig5
fig5
enrichplot::cnetplot(KEGG,circular=TRUE,colorEdge = TRUE)#KEGG通路-基因网络图,fig6
fig6
Fig5和fig6体现的就是KEGG和GO每个富集项中都有哪些基因，我们由此也可以推测一些基因的功能。
Part3:gene-GO terms|gene-KEGG pathways关系瀑布图
我们筛选的差异基因还是比较少的，这样的网路图看起来还是很容易区分不同的表达模式的，不过当差异基因过多的时候，这样的网络图就会显得比较乱，可能过于复杂，那我们应该怎么办呢？不用慌，我们可以用瀑布图来展示。瀑布图（heatplot）与cnetplot类似，它将gene-GO terms|gene-KEGG pathways关系显示为热图，热图可以简化结果，更容易识别表达模式。
enrichplot::heatplot(GO,showCategory = 50) #GO富集瀑布图,fig7
fig7
enrichplot::heatplot(KEGG,showCategory = 50) #kegg富集瀑布图,fig8
fig8
从Fig7和fig8中就可以更容易识别不同基因的表达模式。
Part4:gene-GO terms|gene-KEGG pathways和弦图
有些小伙伴说想让图能体现功能的同时更炫酷一点。OK,我们还可以再升级一下，此时用和弦图展示你的结果，定会让你的图片逼格升一个档次。好了，直接上代码。
GOplotIn<-GO[1:10,c(2,3,7,9)]#我们先提取GO富集结果的前10行，和提取ID,Description,p.adjust,GeneID四列。
GOplotIn$geneID <-str_replace_all(GOplotIn$geneID,'/',',')#把GeneID列中的’/’替换成‘,’
names(GOplotIn)<-c('ID','Term','adj_pval','Genes')#修改列名，后面和弦图绘制的时候需要这样的格式，不然会报错
GOplotIn$Category = "BP"#因为我们提取的前10列为BP,所以再加一列分类信息
#构建基因表达矩阵
genedata<-data.frame(ID=fr$Genes,logFC=fr$logFC)
circ<-GOplot::circle_dat(GOplotIn,genedata) #GOplot导入数据格式整理
chord<-chord_dat(data = circ,genes = genedata) #生成含有选定基因的数据框
好了，到此数据都整理好了，开始画和弦图。
GOChord( #GO富集和弦图，fig9
data = chord,
title = 'GOchord plot',
space = 0,#GO Term间距
limit = c(1,1),
gene.order = 'logFC',
gene.space = 0.25,
gene.size = 5,
lfc.col = c('red','white','blue'), #上下调基因颜色
#ribbon.col = brewer.pal(length(GOplotIn$Term)),#GO Term colors
process.label = 10 #GO Term字体大小
)
Fig9是不是感觉很酷炫，撒花~~~~~~~~~~~~~~~~~~
还可以和弦图+表格一起展示GO富集结果，往下看：
GOCircle(circ) #和弦图+表格，fig10
fig10
也可以聚类热图的形式展示，GO富集结果：
GOCluster(circ,GOplotIn$Term) #GO富集聚类图，fig11
fig11
网友评论