【原】生信編程直播第七題：寫超幾何分布檢驗(yàn)！

健明 2021-07-14

展開全文

下載數(shù)據(jù)

切換到工作目錄：cd d/生信技能樹-視頻直播/第七講

kegg2gene（第六講kegg數(shù)據(jù)解析結(jié)果）
暫時(shí)不用新的kegg注釋數(shù)據(jù)為了能夠統(tǒng)一答案
差異基因list和背景基因list

關(guān)于背景基因

收集一
凡是富集分析，都要有背景和選擇集
有參的，那就找參考對(duì)應(yīng)的注釋信息，作為背景
無參的，那就自己注釋，得到背景
收集二
其實(shí)pathway富集分析本身也只是提供一些參考，并非非要富集不可。因?yàn)槟承﹑athway的調(diào)控，基因直接并非相互調(diào)控，而是共同參與某個(gè)產(chǎn)物合成過程中的不同步驟。例如，某代謝性物X的合成，需要合成酶 A、B、C、D 四個(gè)合成步驟。那么A表達(dá)的變化，并不會(huì)直接影響B(tài)、C、D基因的表達(dá)，只是影響代謝物X的合成量。如果沒有富集到，你就當(dāng)這個(gè)是基因注釋了，討論這些落在你感興趣的pathway中的基因，也是一種策略。

題目要求

利用超幾何分布檢驗(yàn)自己寫代碼來完成主流的GO/KEGG的富集分析，得到與以下一致的結(jié)果：

超幾何分布

超幾何分布是統(tǒng)計(jì)學(xué)上一種離散概率分布。它描述了由有限個(gè)物件中抽出n個(gè)物件，成功抽出指定種類的物件的次數(shù)（不歸還）。稱為超幾何分布，是因?yàn)槠湫问脚c“超幾何函數(shù)”的級(jí)數(shù)展式的系數(shù)有關(guān)。

基因Pathway和GO富集分析

基因富集分析是分析基因表達(dá)信息的一種方法，富集是指將基因按照先驗(yàn)知識(shí)，也就是基因組注釋信息進(jìn)行分類。通過差異基因的Pathway富集分析，可以找到富集的差異基因的Pathway，尋找不同樣品的差異基因可能與哪些細(xì)胞通路的改變相關(guān)。
通過對(duì)差異基因的GO富集分析，可以找到富集的差異基因GO項(xiàng)，尋找不同樣品的差異基因可能與哪些基因功能的改變相關(guān)。對(duì)差異基因進(jìn)行GO和Pathway富集分析后，再進(jìn)行Network構(gòu)建，定位基因的功能和其參與的信號(hào)通路，并進(jìn)行清晰直觀的展示。

GO富集分析：
Gene Ontology（簡稱GO）是一個(gè)國際標(biāo)準(zhǔn)化的基因功能分類體系，提供了一套動(dòng)態(tài)更新的標(biāo)準(zhǔn)詞匯表（controlled vocabulary）來全面描述生物體中基因和基因產(chǎn)物的屬性。GO總共有三個(gè)ontology（本體），分別描述基因的分子功能（molecular function）、細(xì)胞組分（cellular component）、參與的生物過程（biological process）。GO的基本單位是term（詞條、節(jié)點(diǎn)），每個(gè)term都對(duì)應(yīng)一個(gè)屬性。 GO功能分析一方面給出差異表達(dá)基因的GO功能分類注釋；另一方面給出差異表達(dá)基因的GO功能顯著性富集分析。首先，我們將差異表達(dá)基因向GO數(shù)據(jù)庫(http://www./)的各term映射，并計(jì)算每個(gè)term的基因數(shù)，從而得到具有某個(gè)GO功能的基因列表及基因數(shù)目統(tǒng)計(jì)。然后應(yīng)用超幾何檢驗(yàn)，找出與整個(gè)基因組背景相比，在差異表達(dá)基因中顯著富集的GO條目。

其中，N為所有Unigene中具有GO注釋的基因數(shù)目；n為N中差異表達(dá)基因的數(shù)目；M為所有Unigene中注釋為某特定GO term的基因數(shù)目；m為注釋為某特定GO term的差異表達(dá)基因數(shù)目。計(jì)算得到的pvalue通過FDR校正之后，以corrected-pvalue≤0.05為閾值，滿足此條件的GO term定義為在差異表達(dá)基因中顯著富集的GO term。

KEGG富集分析：
Pathway顯著性富集分析以KEGG Pathway為單位，應(yīng)用超幾何檢驗(yàn)，找出與整個(gè)基因組背景相比，在差異表達(dá)基因中顯著性富集的Pathway。
該假設(shè)檢驗(yàn)的p-value計(jì)算公式同GO功能顯著性富集分析的相同，在這里N為所有Unigene中具有Pathway注釋的基因數(shù)目；n為N中差異表達(dá)基因的數(shù)目；M為所有Unigene中注釋為某特定Pathway的基因數(shù)目；m為注釋為某特定Pathway的差異表達(dá)基因數(shù)目。