在前一篇博文中，我介紹了我的一個新的Bioconductor包cola，在這篇博文中，我繼續介紹另一個新的R包simplifyEnrichment。Bioconductor上的鏈接為https://bioconductor.org/packages/simplifyEnrichment/，論文鏈接為https://www.biorxiv.org/content/10.1101/2020.10.27.312116v1。

對基因的功能富集分析是生物信息學中的一個基本的分析方法，通常用戶會得到成百上千個顯著富集的功能。那么下一步就是如何將這成百上千個功能減少到一個適當的值，這樣用戶可以很方便的閱讀，并且不會丟失重要的信息。

simplifyEnrichment主要針對于GO富集分析的結果，為了對富集出來的GO列表進行簡化，我們首先要得到GO和GO之間的相似性，然后基于此，把GO劃分到幾個類中。一般來說，我們用基于語義學的GO相似性度量，例如使用GoSemSim包，在得到GO相似性矩陣后，simplifyEnrichment提供了一個新方法，稱之為binary cut，用來對GO相似性矩陣進行劃分。

下圖是一個對GO相似性矩陣進行劃分后的結果，同時對每個GO cluster，我使用word cloud作為對應的annotation，這樣可以很容易的知道每個GO cluster所對應的功能。

simplifyEnrichment的使用方法也很簡單，用戶提供一個GO列表，使用GO_similarity()函數計算相似性矩陣，然后使用simplifyGO()對GO進行聚類并生成圖。

library(simplifyEnrichment) mat?=?GO_similarity(go_id) df?=?simplifyGO(mat)

對GO相似性矩陣進行聚類看似是一個簡單的問題，其實在實踐中會存在幾個問題，使得某些相似GO無法被聚在一起，或者一個較大的GO類中的異質性還是很高。下面一張圖顯示了一些不同的聚類方法對同一個GO相似性矩陣進行劃分的結果，可見，一些方法生成了太多的聚類（如第一行第三列），而另外一些方法無法將大的聚類劃分為更小的聚類（如第三行第二列）。相比而言，binary cut （第一行第一列）能夠很好的將GO劃分為類，并且同時能夠劃分出大的聚類和小的聚類。

GO、GSEA富集分析一網打進

一個R包完成單細胞基因集富集分析 （全代碼）

無需寫代碼的高顏值富集分析神器

這個只需一步就可做富集分析的網站還未發表就被CNS等引用超過350次

往期精品(點擊圖片直達文字對應教程)

后臺回復“生信寶典福利第一波”或點擊閱讀原文獲取教程合集

?

（請備注姓名-學校/企業-職務等）

總結

以上是生活随笔為你收集整理的simplifyEnrichment，一个对GO富集结果进行聚类和可视化的工具的全部內容，希望文章能夠幫你解決所遇到的問題。

如果覺得生活随笔網站內容還不錯，歡迎將生活随笔推薦給好友。