搜索
查看: 1695|回复: 0

[annotation] topGO

[复制链接]

29

主题

29

帖子

149

积分

管理员

Rank: 9Rank: 9Rank: 9

积分
149
发表于 2018-9-11 15:55:10 | 显示全部楼层 |阅读模式
前面我们讲过GO.db这个包,现在接着延伸topGO包,该包是用来协助GO富集分析
1)安装
[mw_shl_code=python,true]if("topGO" %in% rownames(installed.packages()) == FALSE) {source("http://bioconductor.org/biocLite.R");biocLite("topGO")}
suppressMessages(library(topGO))
ls("package:topGO")[/mw_shl_code]

2)使用方法
该包主要有三个使用步骤:
2.1、Data preparation:准备数据集,用于构建 topGOdata.对象。
2.1.1、包括gene标识符(List of genes identifiers)及相应的分值gene scores(例如p值等)
2.1.2、差异表达基因list或经一定标准按照分值筛选的基因集用于后续分析(list of differentially expressed genes or a criteria for selecting genes based on their scores);
2.1.3、identifier和GO term间的map,即GOterm表:(gene-to-GO annotations )
2.1.4、GO的层级结构,由GO.db提供,目前这个包只支持GO.db提供的结构
2.2、Running enrichment tests:进行富集分析,用任何可行的混合统计测试和方法来处理 GO拓扑结构(GO topology)
2.3、Analysis results:用 summary functions 和 visualisation tools对第二步进行统计和可视化
3)简单示例(guide)
3.1.1、准备输入文件
[mw_shl_code=python,true]library(ALL)
data(ALL)
data(geneList)   ##文件1:基因list,
affyLib <- paste(annotation(ALL), "db", sep = ".")         
library(package = affyLib, character.only = TRUE)       ########GO term表
sum(topDiffGenes(geneList)     ###选择差异基因集,[/mw_shl_code]
3.1.2、构建 topGOdata对象:
[mw_shl_code=python,true]sampleGOdata <- new("topGOdata",   
                     description = "Simple session",  ##topGOdata的描述,可选##可指定要分析的GO term的类型,即BP、CC之类
                     allGenes = geneList,             ##基因identifier的原始列表
                      geneSel = topDiffGenes,    ##geneSelectionFun联合作用,筛选出后续参与分析的基因
                     nodeSize = 10,                    ##富集的GO term辖下基因的最小数目,这里选择10.即最少10个
                     annot = annFUN.db,            ##提取gene-to-GO mappings 的对应关系
                     affyLib = affyLib)  
sampleGOdata[/mw_shl_code]

有了topGOdata对象,接下来就可以用来进行富集分析。这里用两种检验方法:Fisher’s exact test (基于 gene counts)和Kolmogorov-Smirnov like test (computes enrichment based on gene scores)。
其中用runTest函数来进行这些检验,该函数含有3个参数:第一个是topGOdata对象、第二个是algorithm(用于指定处理 GO graph structured的方法)、第三个是statistic(用于指定检验方法)

[mw_shl_code=python,true]resultFisher <- runTest(sampleGOdata, algorithm = "classic", statistic = "fisher")   
resultKS <- runTest(sampleGOdata, algorithm = "classic", statistic = "ks")  
resultKS.elim <- runTest(sampleGOdata, algorithm = "elim", statistic = "ks")[/mw_shl_code]

3.3 Analysis of results
当富集检验结束后,我们就可以分析并解析结果。
runTest()这个函数用来分析显著富集的 GO terms及其相应的p值。
[mw_shl_code=python,true]allRes <- GenTable(sampleGOdata,                 ##之前构建的topGOdata实例
classicFisher = resultFisher,  ##生成GO graphde的方法
                  classicKS = resultKS,          ##生成GO graphde的方法
                 elimKS = resultKS.elim,        ##生成GO graphde的方法
                 orderBy = "elimKS",           
                ranksOf = "classicFisher",
                topNodes = 10)                 ##这里显示前10个显著结果[/mw_shl_code]

1

1

用 score()函数来测评topGO结果对象中 GO term的 p-values ,并用散点图来说明
[mw_shl_code=python,true]pValue.classic <- score(resultKS)
pValue.elim <- score(resultKS.elim)[names(pValue.classic)]
gstat <- termStat(sampleGOdata, names(pValue.classic))
gSize <- gstat$Annotated / max(gstat$Annotated) * 4
plot(pValue.classic, pValue.elim, xlab = "p-value classic", ylab = "p-value elim",pch = 19, cex = gSize)[/mw_shl_code]

2

2

差看显著富集的GO terms在 GO graph中的分布.
[mw_shl_code=python,true]showSigOfNodes(sampleGOdata, score(resultKS.elim), firstSigNodes = 5, useInfo = 'all')[/mw_shl_code]

3

3







回复

使用道具 举报

您需要登录后才可以回帖 登录 | 立即注册

本版积分规则

QQ|手机版|小黑屋|生信技能树 ( 粤ICP备15016384号  

GMT+8, 2020-4-6 05:32 , Processed in 0.027128 second(s), 26 queries .

Powered by Discuz! X3.2

© 2001-2013 Comsenz Inc.