KEGG数据库介绍

转载自https://mp.weixin.qq.com/s/pqbMXMkuqEXbLf31PTxGZQ

KEGG简介

KEGG 数据库于 1995 年由 Kanehisa Laboratories 推出 0.1 版，目前发展为一个综合性数据库，其中最核心的为 KEGG PATHWAY 和 KEGG ORTHOLOGY 数据库。在 KEGG ORTHOLOGY 数据库中，将行使相同功能的基因聚在一起，称为 Ortholog Groups (KO entries)，每个 KO 包含多个基因信息，并在一至多个 pathway 中发挥作用。而在 KEGG PATHWAY 数据库中，将生物代谢通路划分为 6 类，分别为：细胞过程（Cellular Processes）、环境信息处理（Environmental Information Processing）、遗传信息处理（Genetic Information Processing）、人类疾病（Human Diseases）、新陈代谢（Metabolism）、生物体系统（Organismal Systems），其中每类又被系统分类为二、三、四层。第二层目前包括有 43 种子 pathway；第三层即为其代谢通路图；第四层为每个代谢通路图的具体注释信息。

KEGG简单探索

首先打开KEGG数据库，你会进入下面这个界面，我们直奔主题，点击KEGG PATHWAY。

点击进去之后，你看到的界面是下面这样的。

点击cellular process，页面迅速的跳到这部分的二级pathway了，这时你可以看到二级通路下面，更细化的通路。

再点击三级分类的通路，就可以找到我们想要的pathway map了。比如点击三级分类pathway map 的“cell cycle”，然后就进入了下面这样的界面。

注意哈，一般默认是人的pathway，如果你像查看其他物种上的pathway，你需要点击下拉三角形，选择你所关心的物种。如下面图中所示哈。

KEEGG代谢通路图解读

KEGG pathway中有着大量的通路图，以PI3K-Akt signaling pathway（ko04151）为例，里面包含了大量的蛋白等化合物，以及它们之间相互作用的关系。

正确认识代谢通路富集分析

我一直建议不要仅仅基于Pathway富集分析的结果解读数据，人为的解读和挑选是必不可少的。因为生物数据的解读，在现阶段更多是生物学问题，而不是数学问题。原因大体如下：

（1）基因调控是个系统，不要仅仅看成1个孤立的pathway。

在今年参加的第二届植物抗逆会议上，1个教授说了一句话，我认为很有道理。“在植物体内其实根本就不存在pathway，什么脱落酸通路，水杨酸通路，其实这些调控因子都是相互联通，相互影响的，是个整体。只是我们人类为了研究方便，人为将这些系统拆分各个子集。 ” 所以，如果你真的将pathway看成1个个破碎的途径，以为某种处理只会影响某个pathway，富集分析必须在数学上或统计学上得到1个指向性很强的结论，那是不大可能的。
具体说了，说基因调控是个系统，可以从两个层面进行解读：

a）1个基因的改变可以造成整个系统的改变；
举几个例子：把1个生命活动必须的蛋白敲除后，整个细胞会发生紊乱。而植物抗病应激，也往往是1个受体蛋白识别了病原的外源蛋白，然后导致整个细胞系统的变化。
b）1个基因往往有多个功能，但执行具体的功能往往是不同蛋白复合物共同作用的结果。
例如，基因X理论上在不同情况下，有可能参与A、B、C通路。在某个生物处理下，或许基因X 只在A通路里起作用。但如果进行基因注释的话，X同样也会被注释到B、C。所以，富集分析的结果总是会涉及特别多的通路。例如，研究人的项目，无论什么研究背景，常常会富集到帕金森综合症通路。不是你的材料真的得了帕金森综合症，只是那些与你实验处理相关的基因，在一定条件下也可以参与到帕金森综合症的过程，所以被注释到了这个通路里。
小结：所以，我们也看到了。无论什么实验处理，总有可能导致整个系统的变化。同时，基因的通路注释也有欺骗性。那么，从这一堆冗余信息中，想得到与我们研究相关的结论，离不开人为的筛选也解读。从那个复杂的整体中，筛选出核心的局部片段，这是个技术活。“这样的话是否存在一个问题就是在结果的解释上比较主观，也会因自身背景知识的不足而漏掉一些新颖的结果”。那当然，同样的结果1个外行可能什么都没有看见。但1个资深的学者可能会把握到很精彩的内容。好像任何领域都是如此，除了提高内功好像没有其他捷径。

（2）pathway富集分析的统计假设，并非在任何情况下都适用

pathway富集分析，在生物学上的假设是：1个pathway上游基因的改变，会导致下游相关基因改变，从而改变通路中大量基因的表达，达到统计学上富集的效果。但很多pathway中，基因A、B、C并不是相互调控的关系，而是共同参与某个过程的不同部分。
例如，代谢物X的合成修饰。基因A、B、C分步骤参与合成的3个步骤。基因A给X前体加了羟基，然后传递到下游；基因B又给X前体加了苯环，再传递到下游；基因C又给X的前体加了个乙酰基，完成X的合成。那么，基因A、B、C是参与了的相同的通路。如果基因A发生表达量变化，会直接调控影响B、C的表达量变化吗？看来很有可能不会，所以从RNA-seq差异分析的富集分析结果中，这个通路是不显著的。那么基因A的表达变化是否有生物学意义？当然有，因为代谢物X的合成的确受影响了。
类似的例子，理论上DNA差异甲基化的结果，就不能看pathway富集分析的结果。1个pathway 1个基因的DNA甲基化变化，就足以改变这个通路的基因表达，而不需要整个通路的甲基化都发生变化。DNA甲基化、组蛋白CHIP-seq的结果，其实只看功能注释、或通路注释就足够了，不需要考虑富集。
所以，我们还是要观察、理解某个核心pathway中基因的相互作用，才能判断其中的基因变化是否有生物学意义，而不仅仅看富集分析的p value或Q value。

（3）目前的pathway是不完整的。

目前KEGG等数据库，收录的是已有的研究结果。但这些pathway的信息，远没有到达完善的水准。大部分通路只是了解1个大概的调控途径，而中间有什么转录因子参与、是否还有其他代谢物的生成，都是不知道的。这些通路的完整性，也会影响pathway富集分析结果。例如，基因A发生变化了，看起来下游基因没有变化。也许是还有其他的调控在起作用，只是这些调控作用现在还不知道而已。

总结：pathway 和 GO富集分析结果的解读，应该从生物学意义的角度出发，P value 和 Q value只是个参考而已，那些不显著的通路也值得解读（从功能注释的角度解读，而不是从富集分析的角度解读）。只要结果可以解释，有意义，不用太迷信P value。