前面我们简单介绍过ggplot2画KEGG富集柱形图，其实GO富集结果的展示相对于KEGG来说要复杂一点点，因为GO又进一步可以划分成三个类。
BP:biological process,生物学过程。
MF:molecular function,分子功能。
CC:cellular component, 细胞成分。
因此在画图的时候，我们需要将这三类给区分开来。下面分别用了三种不同的方式来展示GO富集分析的结果。
图1:横轴为富集到每个GO条目上面的基因数目
图2: 横轴为GeneRatio
图3:横轴为Fold enrichment（富集倍数）
下面我们结合富集分析的结果表，来分别解释一下这三张图中横坐标的具体含义。
首先来看看这张表中每一列所代表的含义
ONTOLOGY：区分是BP，MF还是CC
ID：具体的GO条目的ID号
Description：GO条目的描述
GeneRatio：这里是一个分数，分子是富集到这个GO条目上的gene的数目，
分母是所有输入的做富集分析的gene的数目，可以是差异表达
分析得到的gene
BgRatio：Background Ratio. 这里也是一个分数，分母是人的所有编码蛋白的
基因中有GO注释的gene的数目，这里是19623个，分子是这19623个
gene中注释到这个GO条目上面的gene的数目
pvalue：富集的p值
p.adjust：校正之后的p值
qvalue：q值
geneID：输入的做富集分析的gene中富集到这个GO条目上面的具体的
gene名字
Count：输入的做富集分析的gene中富集到这个GO条目上面的gene的数目这张表里面没有提到富集倍数（fold enrichment）
fold enrichment = GeneRatio / BgRatio那么我们就很容易理解上面三张图的横坐标了，分别为Count，GeneRatio和Fold enrichment。
那么问题来了，既然这张表里面没有Fold enrichment，那么我们如何计算富集倍数呢？
下面小编给大家介绍三种方法来计算Fold enrichment，任君挑选
1.利用eval直接做计算
kegg=read.csv("KEGG-enrich.csv",stringsAsFactors = F)
enrichment_fold=apply(kegg,1,function(x){
GeneRatio=eval(parse(text=x["GeneRatio"]))
BgRatio=eval(parse(text=x["BgRatio"]))
enrichment_fold=round(GeneRatio/BgRatio,2)
enrichment_fold
})
2.利用strsplit按/分割成分子和分母
kegg=read.csv("KEGG-enrich.csv",stringsAsFactors = F)
fenshu2xiaoshu<-function(ratio){
sapply(ratio,function(x) as.numeric(strsplit(x,"/")[[1]][1])/as.numeric(strsplit(x,"/")[[1]][2]))
}
enrichment_fold=fenshu2xiaoshu(kegg$GeneRatio)/fenshu2xiaoshu(kegg$BgRatio)
enrichment_fold=as.numeric(enrichment_fold)
3. 利用gsub替换，得到分子和分母
kegg=read.csv("KEGG-enrich.csv",stringsAsFactors = F)
fenshu2xiaoshu2<-function(ratio){
sapply(ratio,function(x) as.numeric(gsub("/.*$","",x))/as.numeric(gsub("^.*/","",x)))
}
enrichment_fold=fenshu2xiaoshu2(kegg$GeneRatio)/fenshu2xiaoshu2(kegg$BgRatio)
enrichment_fold=as.numeric(enrichment_fold)富集分析
当分析实验过程是否显著影响某一类功能基因时，如果只是根据该类基因中差异基因的比例是不准确的。
比如说，某一类功能基因的总数是100个，其中差异基因有10个，那么只有实验只是影响了该功能基因的10%，但是如果该实验一共只鉴定到20个差异基因，那么这10个差异基因就占所有差异基因的50%，因此，需要同时考虑差异基因在所有功能分类中的分布，得到的结果才是准确的。
GO和KEGG富集分析
对差异基因进行GO功能和KEGG通路富集分析，可以识别差异基因富集的功能或代谢路径，在基因功能和代谢通路水平阐明样本间的差异。
该分析通常使用软件Goatools和KOBAS进行， 富集显著性的检验方法为Fisher精确检验。
为控制分析结果的假阳性率，还需要对检验结果的显著性进行校正，可以使用4种多重检验方法 (Bonferroni、Holm、Sidak和false discovery rate) 对p值进行了校正。
一般情况下，当经过校正的p值 (qvalue) ≤ 0.05时，认为此GO功能或KEGG通路存在显著富集情况。
Fisher精确检验
应用如下公式计算显著性p值：
其中，a为功能A中差异基因的数量，b为非差异基因的数量，c为所有功能分类中差异基因的总数量，d为非差异基因的总数量，n为识别到的所有差异基因的数目。
之后使用如下公式对p值进行校正：
其中，p为待检验GO功能或KEGG路径的p值，length(p)为所有需要检验GO功能或KEGG路径的数目，rank(p)为待检验p值在所有p值从到到底排列中的位置。
结果展示
在转录组测序结果中，可以通过散点图对差异表达基因进行富集分析。
以KEGG通路富集结果为例，此图中，KEGG富集程度通过Rich factor、qvalue和富集到此通路上的基因个数来衡量。
富集分析
横坐标是Rich factor，为该代谢路径下差异基因数目与所有注释到该路径基因数目的比值，数值越大表示富集程度越大。
前面给大家简单介绍过☞什么是Gene Ontology(GO)，以及如何用一些简单易用的网页工具去做GO和KEGG富集分析
☞富集分析DAVID、Metascape、Enrichr、ClueGO
也给大家简单的介绍过如何用R做GO富集分析，以及如何将富集结果中的gene ID转成基因名字
还有计算富集倍数的三种方法
☞GO和KEGG富集倍数（Fold Enrichment）如何计算、
生信交流平台
53 次咨询
5.0
上海生命科学研究院 生物信息学博士
2623 次赞同
去咨询
今天我们来聊聊怎么来展示GO富集分析的结果，下面是一个GO富集分析的结果表。
ONTOLOGY：区分是BP，MF还是CC
ID：具体的GO条目的ID号
Description：GO条目的描述
GeneRatio：这里是一个分数，分子是富集到这个GO条目上的gene的数目，
分母是所有输入的做富集分析的gene的数目，可以是差异表达
分析得到的gene
BgRatio：Background Ratio. 这里也是一个分数，分母是人的所有编码蛋白的
基因中有GO注释的gene的数目，这里是19623个，分子是这19623个
gene中注释到这个GO条目上面的gene的数目
pvalue：富集的p值
p.adjust：校正之后的p值
qvalue：q值
geneID：输入的做富集分析的gene中富集到这个GO条目上面的具体的
gene名字
Count：输入的做富集分析的gene中富集到这个GO条目上面的gene的数目我们知道GO富集分析的结果又可以进一步划分成三个类。
BP:biological process,生物学过程。
MF:molecular function,分子功能。
CC:cellular component, 细胞成分。因此在画图的时候，我们需要将这三类给区分开来。下面我们分别用了四种不同的方式来展示GO富集分析的结果。
1.气泡图分三个框显示BP,MF和CC的富集分析结果
2. 柱形图分三个框显示BP,MF和CC的富集分析结果
3. 柱形图用三种不同颜色显示BP,MF和CC的富集分析结果
4. 气泡图+标签，显示BP,MF和CC的富集分析结果
这张图的横轴是富集倍数（fold enrichment），计算方法如下
fold enrichment = GeneRatio / BgRatio上面四张图的横坐标分别为GeneRatio，Count，−log10(p.adjust)和Fold enrichment。