3. GO_KEGG_GSEA可视化: 3.1 GO/KEGG富集柱状图+点状图: barplot(GO, split="ONTOLOGY")+facet_grid(ONTOLOGY~., scale="free")#柱状图 barplot(KEGG,showCategory = 40,title = 'KEGG Pathway') dotplot(GO, split="ONTOLOGY")+facet_grid(ONTOLOGY~., scale="free")#点状图 dotplot(KEGG) GO bar...
同时,我们需要准备一个GO富集分析结果文件,加载它的方式与上述类似: # 读取GO富集结果go_enrichment<-read_csv("go_enrichment_results.csv")# 查看GO富集结果head(go_enrichment) 1. 2. 3. 4. 5. GO富集结果文件go_enrichment_results.csv的格式可能如下: 4. GSEA分析 接下来,我们需要进行GSEA分析。此处,我...
GO分析更加依赖差异基因,实则是对一部分基因的分析 (忽略差异不显著的基因),而GSEA是从全体基因的表达矩阵中找出具有协同差异 (concordant differences)的基因集,故能兼顾差异较小的基因。因此二者的应用场景略有区别。另外GO富集是定性的分析,GSEA考虑到了表达或其它度量水平的值的影响。另外,对于时间序列数据或样品有...
GSEA分析似乎与GO分析类似但又有所不同。GO分析更加依赖差异基因,实则是对一部分基因的分析 (忽略差异不显著的基因),而GSEA是从全体基因的表达矩阵中找出具有协同差异 (concordant differences)的基因集,故能兼顾差异较小的基因。因此二者的应用场景略有区别。另外GO富集是定性的分析,GSEA考虑到了表达或其它度量水平的...
与GO富集分析的差异在于GSEA分析不需要指定阈值(p值或FDR)来筛选差异基因,我们可以在没有经验存在的情况下分析我们感兴趣的基因集,而这个基因集不一定是显著差异表达的基因。GSEA分析可以将那些GO/KEGG富集分信息中容易遗漏掉的差异表达不显著却有着重要生物学意义的基因包含在内。
使用fgsea函数进行分析：Agsea_res <- fgsea(pathways = gsea_geneset_GO, stats = ranks, ...
使用fgsea函数进行分析: Agsea_res <- fgsea(pathways = gsea_geneset_GO, stats = ranks, minSize=5, maxSize=500, nperm=1000) 筛选上下调最显著的作图,可以一次性呈现多个通路: Up<-Agsea_res[ES>0][head(order(pval),n=10),pathway]Down<-Agsea_res[ES<0][head(order(pval),n=10),pathway...
与GO富集分析的差异在于GSEA分析不需要指定阈值(p值或FDR)来筛选差异基因,我们可以在没有经验存在的情况下分析我们感兴趣的基因集,而这个基因集不一定是显著差异表达的基因。GSEA分析可以将那些GO/KEGG富集分信息中容易遗漏掉的差异表达不显著却有着重要生物学意义的基因包含在内。
使用fgsea函数进行分析：Agsea_res <- fgsea(pathways = gsea_geneset_GO, stats = ranks, ...
与GO\KEGG差异基因富集分析区别:差异基因富集分析是先筛选差异基因,再判断差异基因在哪些注释的通路存在富集;这涉及到阈值的设定,存在一定主观性并且只能用于表达变化较大的基因,即我们定义的显著差异基因。而GSEA则不局限于差异基因,从基因集的富集角度出发,理论上更容易囊括细微但协调性的变化对生物通路的影响 ...