22 GO/KEGG 功能富集：从“基因列表”到“生物学故事”的升华
22.1 【导语】万事之源：为何要这样做？
一份包含数百个基因的差异表达列表，其本身只是一堆孤立的、缺乏生物学可解释性的符号。我们必须回答的下一个问题是：“这些基因在宏观的生物学层面，共同指向了什么功能或通路的变化？”功能富集分析的本质，就是利用人类积累数十年的生物学知识库（如GO、KEGG数据库），来进行一次严谨的“统计寻宝”。
它通过超几何检验等经典的统计学方法，来系统性地判断你提交的这一组特定基因，是否在某个或某些功能条目（例如，“细胞凋亡过程”或“MAPK信号通路”）中，出现了“非随机”的、统计学上异常的聚集或富集。其最终的科学目标，是将一份看似杂乱无章的基因列表，逻辑化地“翻译”成一个或多个宏观的、可被理解、并可用于提出新假说的生物学故事。
22.2 【核心实践】从原理到决策
22.2.1 【知识库的选择决策：GO vs. KEGG】
选择哪个知识库，取决于你想从哪个角度来解读你的基因列表。
GO (Gene Ontology)：我们可以将其类比为一本极其详尽的“基因功能说明书”。它从三个独立但互补的维度，系统性地描述了每一个基因的功能。分子功能（Molecular Function, MF）回答“这个基因产物能做什么？”；生物学过程（Biological Process, BP）回答“它参与了哪些生命活动？”；细胞组分（Cellular Component, CC）则回答“它在细胞的哪个位置工作？”。GO的特点是其严谨的层级结构和极广的覆盖面。
KEGG (Kyoto Encyclopedia of Genes and Genomes)：与GO不同，KEGG更像是一本精美的“细胞信号通路图集”。它并不孤立地描述单个基因，而是将基因们作为一个个节点，放置在精心绘制的、具有相互作用和调控关系的信号通路图谱之中。因此，KEGG更侧重于揭示基因间的协同作用与在特定通路中的角色。
22.2.2 【clusterProfiler 包实战：从输入到结果】
clusterProfiler是R语言中进行功能富集分析的“黄金标准”工具包。
22.2.2.1 第一步：基因ID转换
后果驱动解析：GO与KEGG等核心生物学数据库，为了保证信息的唯一性和准确性，通常使用ENTREZID作为基因的官方唯一标识符。而我们从差异分析中得到的，往往是更易于人类阅读的GENE SYMBOL。如果你忽略了在富集分析前，将SYMBOLs转换为ENTREZIDs这一关键步骤，其直接且灾难性的后果是，你辛辛苦苦筛选出的大部分差异基因，将因为无法在知识库中被识别而“隐身”。你的富集分析将颗粒无收，或者得到一个基于极少数基因的、有严重偏倚的结果。
22.2.2.2 第二步：运行 enrichGO / enrichKEGG
在准备好ENTREZID格式的基因列表后，便可以进行富集分析。
## 假设 'gene_entrez_ids'
## 是你的差异基因（DEGs）列表，
## 且 ID 格式为 ENTREZID。
ego <- enrichGO(
gene = gene_entrez_ids,
OrgDb = org.Hs.eg.db,
ont = "BP",
pvalueCutoff = 0.05,
qvalueCutoff = 0.2
)
参数决策：gene是你提交的差异基因列表。OrgDb是一项物种选择决策，org.Hs.eg.db代表你使用的是人类的注释数据库。ont是GO分析的特有决策，用于选择BP, CC, 或MF这三个分支中的一个。pvalueCutoff和qvalueCutoff则是用于初步筛选显著结果的统计学阈值。
22.2.2.3 第三步：结果解读
富集分析会返回一个数据框，其中最重要的几列是：
Description：该功能条目或通路的文字描述。
p.adjust：经过多重检验校正后的P值，这是判断该条目是否显著富集的最终标准。
GeneRatio：一个比值，分子是你提交的差异基因中、落入该功能条目的基因数量，分母是你提交的差异基因总数。
BgRatio：背景基因比率，分子是整个知识库背景中、落入该功能条目的基因数量，分母是背景基因总数。一个显著的富集，通常表现为GeneRatio显著大于BgRatio。
22.2.3 【结果可视化：气泡图与通路图】
气泡图 (dotplot)：这是展示富集分析结果的经典视图。它能够在一个二维图形中，同时展示多个维度的信息：Y轴是被显著富集的通路；X轴是GeneRatio，代表富集程度；点的大小，则通常被映射为该通路下富集到的差异基因数量；而点的颜色，则被映射为p.adjust值，代表统计显著性。
通路图 (pathview)：对于KEGG富集到的通路，pathview包提供了一种极为直观的可视化决策。它能够将你的差异基因的表达变化信息（log2FoldChange值），直接用颜色（如红色代表上调，绿色代表下调）标记在官方的KEGG通路图上，实现“所见即所得”的生物学洞察。
22.3 【认知升维】常见的思维陷阱与对策
22.3.1 思维陷阱一：将“背景基因集”搞错
功能富集分析的统计检验，其结果高度依赖于你所定义的“背景基因集”（Universe）。默认情况下，clusterProfiler使用物种注释包（如org.Hs.eg.db）中包含的所有已知基因作为背景。但在某些特殊分析中（例如，你只对芯片上覆盖的基因，或在你的RNA-seq实验中稳定表达的基因进行富集），如果使用了错误的背景基因集，可能会导致结果产生系统性偏倚。
其对策是，首先要理解universe参数的用途，它允许你手动指定一个自定义的背景基因集。但更重要的是，在绝大多数标准的RNA-seq差异表达分析后，使用clusterProfiler的默认背景（即注释库中的所有基因），是一个统计上合理且保守的选择。
22.3.2 思维陷阱二：富集不到任何显著通路
在满怀期待地运行完代码后，发现结果表格为空，或所有条目的p.adjust值都不显著，这是新手常遇到的困境。
其对策是，提供一个系统性的诊断清单：
第一，检查你的输入：你的差异基因列表数量是否过少（例如，少于20个）？数量太少，统计功效会极低。
第二，检查你的预处理：你的基因ID是否已经正确、高效地转换为了ENTREZID？
第三，拓宽你的思路：是否尝试了更广泛的生物学知识库（如Reactome, DO）？或者，是否应该考虑使用一种不需要预设差异基因阈值的、更敏感的分析方法，例如GSEA（基因集富集分析）？
22.4 【总结与拓展】构建你的思维框架
我们必须将功能富集分析，视为一次“学术文献的智能检索”过程。在这个思维框架中，你的差异表达基因列表，就是你输入的一组高度特异的“检索关键词”。GO、KEGG等知识库，则是浩如烟海的“生物学文献数据库”。而富集分析的统计检验，则扮演了“相关性排序算法”的角色。你的终极目标，就是利用这个强大的算法，从数据库中，找到与你的“关键词”集合最相关的那些“核心科学主题”，并利用这些主题，来构建你下一步的、更具深度的科学假说。
基于此框架，请思考一个方法学上的启发性问题：GSEA（基因集富集分析）与我们本次学习的、更经典的ORA（过表达分析）是两种主流的功能富集分析方法。GSEA的一个核心特点是，它不需要你预先筛选出“显著”的差异基因，而是利用所有基因（无论显著与否）的表达变化排序信息来进行计算。你认为，相对于我们今天学习的ORA方法，GSEA这种不设阈值的分析策略，可能有哪些潜在的优势和劣势？在什么样的生物学场景下，你会优先决策使用GSEA，而不是ORA？
探索生命科学前沿，提升实战技能！欢迎微信搜索并加入「生信实战圈」，获取最新技术干货、实战案例与行业动态。 点击关注，与同行一起成长！
