clusterprofiler包,GEO挖掘实战二、差异分析及富集分析
clusterprofiler包,GEO挖掘实战二、差异分析及富集分析详细介绍
本文目录一览： GEO数据挖掘小尝试：（三）利用clusterProfiler进行富集分析
安装clusterProfiler：
对于没有转换的gene ID，clusterProfiler也提供了 bitr 方法进行转换ID：
可以看到，这里转换ID的对应文件来源于"org.Hs.eg.db"这个包。
在开始富集分析之前先看看GO和KEGG富集分析的方法以及参数：
导入数据，这是一个整合数据，在这里我们要用到的只是entrez ID列和最后一列（logFC）：
由于clusterProfiler富集分析推荐的输入文件是Entrez ID，因此这里提取的是Entrez ID，接下来就可以进行富集分析了：
KEGG通路富集函数用法与GO富集分析方法类似：
我们继续使用上面的数据进行KEGG富集分析：
这里使用clusterProfiler里面的 GSEA 函数进行GSEA富集分析，并与使用超几何分布富集（ enricher 函数）的结果进行简单比较， enricher 函数与 GSEA 函数用法基本相同，因此这里只给出 GSEA 的用法及参数。
在进行富集分析之前需要对数据做一个预处理——排序。
这里使用的是broad GSEA提供的gene sets 来提供TERM2GENE：
万事俱备，只欠东风。现在可以开始分析了，先进行超几何分布的富集分析：
再做GSEA富集分析，在此之前需要对输入gene list做一下处理，包括三步：
输入文件准备好了尽可以进行GSEA富集分析了：
不要问我为什么要pvalueCutoff设置0.8，因为一直调大到0.8才富集到结果。。。可见数据应该是有问题的，但这里作为一个实践就不管那么多了。
而且，clusterProfiler还支持GSEA的GO、KEGG富集。
顺便再利用上面处理好的glist进行一下KEGG富集到的某一条通路的可视化：
上面的命令会在当前目录生成3个文件：一个原始KEGG通路图片，一个标注了上下调基因的，最后一个文本文件则是一些KEGG通路信息。
参考：
clusProfiler命令参考手册
GSEA的分析汇总
Statistical analysis and visualization of functional profiles for genes and gene clusters
GSEA分析是个什么鬼？(上)
GSEA是个什么鬼?(下)
clusterProfiler导入失败解决办法
最近在安装光叔的clusterProfiler包时，遇到了以下报错：
即可以正常安装，但不能导入。
显示错误：package or namespace load failed for 'clusterProfiler': 'namespace:rvcheck'没有出口'get_fun_from_pkg'这个对象，随后电脑右侧弹出360杀毒软件的提示，把某dll文件列入了风险清单，准备删除。于是我思考，可能是由于杀毒软件的原因，于是我重装了Rstudio(version 1.4.1717)和R(version 4.0.5)，关掉了360杀毒和安全卫士，利用github接口安装包：
导入成功了！
R包 clusterProfiler： GO和KEGG富集结果显示基因symbol
注：1）MF和CC方法同BP,将BP改为MF,CC即可。
2）可视化中，showCategory为显示的item数，scale_y_discrete则调节label过长的情况，让图片看起来
更美观。
3)检查结果，可见geneID展示为gene symbol。
（1）在enrichGO函数中，设置readable = TRUE;
(2)用setReadable函数，对GO或者KEGG结果进行转化即可。
R安装clusterProfiler 包遇到无法安装依赖包stringi
install.packages("BiocManager")
BiocManager::install("clusterProfiler")
stringi 报错，本地安装
wget https://github.com/gagolews/stringi/archive/master.zip -O stringi.zip
unzip stringi.zip
sed -i '/\/icu..\/data/d' stringi-master/.Rbuildignore
R CMD build stringi-master
R CMD INSTALL?stringi_1.7.5.9001.tar.gz
BiocManager::install("clusterProfiler")
用clusterProfiler包进行KEGG富集分析遇到Error记录
按照标准流程对GEO上下的数据进行数据处理，差异分析，富集分析
到enrichKEGG的这一步的时候就出现了Error。
Error in download.KEGG.Path(species) :
'species' should be one of organisms listed in ' http://www.genome.jp/kegg/catalog/org_list.html' ...
提示我输入的物种缩写名错了，必须是KEGG网站上的名字，但是我输的 "mmu"就是小鼠对应的缩写名。
蛋白ID转基因ID
将Ensembl 中的蛋白ID转化成基因ID,可以通过clusterProfiler这个包。
如以大鼠的基因与蛋白转化为例;
安装clusterProfiler与大鼠org.Rn.eg.db，如果是人的注释包为org.Hs.eg.db,小鼠的注释包为org.Mm.eg.db.
查看可以转化的ID:
[1] "ACCNUM" "ALIAS" "ENSEMBL" "ENSEMBLPROT" "ENSEMBLTRANS"
[6] "ENTREZID" "ENZYME" "EVIDENCE" "EVIDENCEALL" "GENENAME"
[11] "GO" "GOALL" "IPI" "ONTOLOGY" "ONTOLOGYALL"
[16] "PATH" "PFAM" "PMID" "PROSITE" "REFSEQ"
[21] "SYMBOL" "UNIGENE" "UNIPROT"
将蛋白ID转为基因ID:
clusterprofiler 可以分析其他物种吗
1 如果肯下功夫，可以通过R语言获得基因本体论以及通路富集数据并将其可视化，所用的R包可以是GOSim（GO分析），或者clusterprofiler(GO&KEGG)
2 cytoscape 的插件cluego可以傻瓜式实现通路的图片展示，可以用来直接发文章（低分的至少可以）
3 关于GO和KEGG数据的获得，上DAVID就好
转录组下游分析之GSEA
gsea的原始数据分为三列，一列是geneid,一列是FoldChange,一列是根据FoldChange排序的结果。
其实gsea就是看foldchange的值的分布，如果是随机分布，那结果就不理想。我们想要的是在两端富集分布。
GSEA分析同样可以使用clusterprofiler包。Y叔的包真的强大，我还要用它做转录因子的富集分析。
GEO挖掘实战二、差异分析及富集分析
「生信技能树」三阴性乳腺癌表达矩阵探索 系列笔记
GEO挖掘实战一、初步探索数据 -
GEO挖掘实战二、差异分析及富集分析 -
GEO挖掘实战三、GSVA -
GEO挖掘实战四、TNBC相关探索 -
芯片数据的差异分析一般使用limma包
之前学习RNA-seq转录组学习时，对富集分析的概念与流程有过一定的了解。主要分为ORF与GESA两类，都可用clusterProfiler包完成。在曾老师的视频中后者是使用了MsigDB的数据集进行分析的。
- RNA-seq学习：No.5富集分析--ORF过表达 -
- RNA-seq学习：No.6富集分析--GESA -
主要需要上下调基因的ENTREZID
需要准备genelist数值型字符串，即为logFC值，从大到小排列；并以ENTREZID/SYMBOL命名。
转录组入门(8)： 差异基因结果注释
首先根据上一节的结果，按p<0.05且abs(logFC)>1作为筛选标准取差异表达基因。
用Y叔的 clusterProfiler 包进行富集分析。
加universe后报错，强制类型转换错误。
str(ego) 显示universe有23454个gene，而org.Mm.eg.db里有GO注释的有24139个。搜索之后发现了 原因 。即背景基因集会筛选有对应注释分类的基因，而不是全部基因。
先将基因按不同标准(比如GO、KEGG、癌症特征基因等)分类成多个基因集(S)，依据表达值或者变化倍数等对基因排序(L)，计算ES(富集得分)、NES(标准化富集得分)再进行统计检验。
GSEA的目的就在于判断S的成员是随机的分布于L上，还是有序的分布于顶部与尾部。
ES计算基本规则是扫描排序后基因序列L，每出现一个基因集(S)中的基因，则增加ES值，反之则减少ES值。ES>0，表明S基因集排在L中的前方，反之则在后方。