使用clusterProfiler包利用eggnog-mapper软件注释结果做GO和KEGG富集分析

2020 年 4 月 1 日
筆記

最开始的思路是先构建OrgDb，然后使用enrichGO和enrichKEGG函数做分析。但是最后遇到报错 Error in get_GO_data(OrgDb, ont, keyType) : keytype is not supported...。因为这两个函数都需要指定一个keyType参数。如果物种是人可以根据基因名的类型来指定，比如symbol或者entrezid等。但是自己构建的OrgDB如何指定这个参数还不太清楚。后来发现不构建orgdb也可以做GO或者KEGG的富集分析，可以使用enricher()函数。下面记录利用eggnog-mapper软件注释结果做GO和KEGG富集分析做GO和KEGG富集分析的过程。

这里我使用 Schizosaccharomyces pombe 这个物种的蛋白数据做例子，搜了一下拉丁名好像是裂殖酵母。

第一步是使用eggnog-mapper做功能注释

conda activate emapper  python emapper.py -i orgdb_example/GCF_000002945.1_ASM294v2_protein.faa --output orgdb_example/out -m diamond --cpu 8

将注释结果下载到本地，手动删除前三行带井号的行，第四行开头的井号去掉，文件末尾带井号的行去掉。

利用R语言将注释结果整理成enricher函数需要的输入格式

GO富集

library(stringr)  library(dplyr)  egg<-read.table("out.emapper.annotations",sep="t",header=T)  egg[egg==""]<-NA  gterms <- egg %>%    select(query_name, GOs) %>%    na.omit()  gene2go <- data.frame(term = character(),                        gene = character())  for (row in 1:nrow(gterms)) {    gene_terms <- str_split(gterms[row,"GOs"], ",", simplify = FALSE)[[1]]    gene_id <- gterms[row, "query_name"][[1]]    tmp <- data_frame(gene = rep(gene_id, length(gene_terms)),                      term = gene_terms)    gene2go <- rbind(gene2go, tmp)  }  head(gene2go)    > head(gene2go)  # A tibble: 6 x 2    gene           term    <chr>          <chr>  1 NP_001018179.1 GO:0003674  2 NP_001018179.1 GO:0003824  3 NP_001018179.1 GO:0004418  4 NP_001018179.1 GO:0005575  5 NP_001018179.1 GO:0005622  6 NP_001018179.1 GO:0005623

获得一个两列的数据框，有了这个数据框就可以做GO富集分析了

在 https://www.jianshu.com/p/9c9e97167377 这篇文章里的评论区有人提到上面用到的for循环代码效率比较低，他提供的代码是

gene_ids <- egg$query_name  eggnog_lines_with_go <- egg$GOs!= ""  eggnog_lines_with_go  eggnog_annoations_go <- str_split(egg[eggnog_lines_with_go,]$GOs, ",")  gene_to_go <- data.frame(gene = rep(gene_ids[eggnog_lines_with_go],                                     times = sapply(eggnog_annoations_go, length)),                           term = unlist(eggnog_annoations_go))  head(gene_to_go)    > head(gene_to_go)              gene       term  1 NP_001018179.1 GO:0003674  2 NP_001018179.1 GO:0003824  3 NP_001018179.1 GO:0004418  4 NP_001018179.1 GO:0005575  5 NP_001018179.1 GO:0005622  6 NP_001018179.1 GO:0005623

用这个代码替换for循环，确实快好多。

接下来可以做GO富集分析了

首先准备一个基因列表，我这里选取gene2go中的前40个基因作为测试还需要为TERM2GENE=参数准备一个数据框，第一列是term，第二列是基因ID，只需要把gene2go的列调换顺序就可以了。

library(clusterProfiler)  gene_list<-gene2go$gene[1:40]  term2gene<-gene2go[,c(2,1)]  df<-enricher(gene=gene_list,               pvalueCutoff = 0.05,               pAdjustMethod = "BH",               TERM2GENE = term2gene)  head(df)  barplot(df)  dotplot(df)

y轴的标签通常是GO term (就是文字的那个)而不是GO id。clusterProfiler包同样提供了函数对ID和term互相转换。go2term()go2ont()

df<-as.data.frame(df)  head(df)  dim(df)  df1<-go2term(df$ID)  dim(df1)  head(df1)  df$term<-df1$Term  df2<-go2ont(df$ID)  dim(df2)  head(df2)  df$Ont<-df2$Ontology  head(df)  df3<-df%>%    select(c("term","Ont","pvalue"))  head(df3)  library(ggplot2)  ggplot(df3,aes(x=term,y=-log10(pvalue)))+    geom_col(aes(fill=Ont))+    coord_flip()+labs(x="")+    theme_bw()

image.png

这里遇到一个问题：数据框如何分组排序？目前想到一个比较麻烦的办法是将每组数据弄成一个单独的数据框，排好序后再合并。

KEGG富集

library(stringr)  library(dplyr)  library(clusterProfiler)  egg<-read.table("out.emapper.annotations",sep="t",header=T)  egg[egg==""]<-NA  gene2ko <- egg %>%    dplyr::select(GID = query_name, Ko = KEGG_ko) %>%    na.omit()  head(gene2ko)  head(gene2go)  gene2ko[,2]<-gsub("ko:","",gene2ko[,2])  head(gene2ko)  #kegg_info.RData这个文件里有pathway2name这个对象  load(file = "kegg_info.RData")  pathway2gene <- gene2ko %>% left_join(ko2pathway, by = "Ko") %>%    dplyr::select(pathway=Pathway,gene=GID) %>%    na.omit()  head(pathway2gene)  pathway2name  df<-enricher(gene=gene_list,               pvalueCutoff = 0.05,               pAdjustMethod = "BH",               TERM2GENE = pathway2gene,               TERM2NAME = pathway2name)  dotplot(df)  barplot(df)

以上最开始的输入文件是eggnog-mapper软件本地版注释结果，如果用在线版获得的注释结果，下载的结果好像没有表头，需要自己对应好要选择的列。