转录组、蛋白组等测序结束后，筛选差异基因之后需要做的第一步工作可能就是需要功能富集，看基因的作用。做富集的工具也有很多，在线的工具也有大批，但是总体来说更新较慢，可视化操作不是很强。
R语言成了很多人的选择，在众多的包中，clusterProfiler无疑对我来说最具有亮点，可以结合可视化的包，做出好的结果。
（不教数据结构讲代码的都是耍流氓，我们公众号主力于初学者学习，手把手从第一步开始，保证清楚明白，不设坑）
首先，一般做完差异基因分析，我们会得到这样一个表格
image.png
接下来设定阈值，筛选差异基因
p_val_adj = 0.03
avg_log2FC = 0.8
diff_signif = Ld[(Ld$p_val_adj< p_val_adj & abs(Ld$avg_log2FC)>avg_log2FC),]
diff_signif = diff_signif[order(diff_signif$avg_log2FC),]
UP <- diff_signif[diff_signif$avg_log2FC>0, ] #上调的基因，下调的同理，FC小于0
要做差异基因，需要讲genesymbol转为ID
library(org.Mm.eg.db)
Up <- bitr(row.names(UP), fromType="SYMBOL",
toType="ENTREZID",
OrgDb="org.Mm.eg.db")
转完后得到这样一个文件：
image.png
这样就可以进行富集分析，首次使用clusterProfiler需要安装，按照如下代码
install.packages("devtools")
devtools::install_github('GuangchuangYu/clusterProfiler')
library(clusterProfiler)
library(enrichplot)#用于可视化的包
富集分析很简单的一句代码
ego_up <- enrichGO(Up$ENTREZID, OrgDb = "org.Mm.eg.db", ont="BP", readable=TRUE)#只选择BP富集
富集得到的结果很多，一般见过的柱状图那样显示，可是有很多terms，我们不清楚他们之间的关系，看起来也乱糟糟的。所以需要去除冗余，而clusterProfiler也提供了此功能。
ego_up <- simplify(ego_up, cutoff=0.7, by="p.adjust", select_fun=min)
最后就是可视化了，结果如下
ego_up <- pairwise_termsim(ego_up)
emapplot(ego_up, cex_label_category=.6, cex_line=.5) +
scale_colour_continuous(low = "#e06663", high = "#327eba",
name = "p.adjust",
guide = guide_colorbar(reverse = TRUE, order=1),
trans='log10')
image.png
总之，告别了柱状图，得到好结果，也得到好图！
具体的参数功能还需自行探索，总能调整为自己喜欢的样子！
网友评论