GO数据库的基本概念

GO 是什么?

GO 是基因本体论(gene ontology) 的缩写. 本体论, 又称为”存在论”, 和”方法论”“认识论”是哲学里面的词汇. 它指的是探索本源的理论. 我们这里不讨论那么多,只需要将GO理解为对基因产物功能的阐述.

从生物信息学实际操作的角度, 我们一般是得到样本中基因表达水平之后才会接触到GO. 这个时候,数据中基因往往只是一堆编号. 自然人是无法直接理解那些数字是字母的组合的,需要在后续的分析中将这些编号和细胞中基因的功能联系起来.

GO数据库就是将基因的信息整合并标准化,从而将基因与其功能联系起来.

与KEGG数据库的区别在于, GO数据库着重于对基因产物本身的功能描述, 没有使用通路(pathway)来组织基因的信息.所以在实际分析过程中,常常是GO/KEGG同时使用.

GO的三个方面

GO从三个方面来描述一个基因产物: 细胞组分（cellular component, CC）、分子功能（molecular function, MF）、生物过程（biological process, BP）

细胞组分,描述了基因产物在细胞中的物理位置, 比如在叶绿体中,细胞膜中.

分子功能, 描述了基因产物这个分子相关的活动(activity), 比如催化,

生物过程, 描述了基因产物参与了哪种生物多分支协同过程, 比如代谢,免疫等等.

这些功能的标准化语言描述被称为”term”, 并在GO数据库中关联着唯一的GO ID.

term 之间关系怎么说明?

在GO数据库中, GO term之间的关系被描述成DAG(有向无环图 directed acyclic graph),

这个图中, 节点(node)是GO term, 边(edge)就是节点之间的关系. 主要有下面三种关系

is-a 可以近似的理解为 “a是一种b”,
part-of 可以理解为 “a是b的一部分”
regulates 可以理解为”a对b有影响”

这三种关系可以叠加,也就是可以从图中一个节点出发,到达另一个节点. 叠加的运算关系这里不再赘述.

GO分析

什么时候使用GO分析?

组学实验的结果往往规模巨大, 涉及到上万种基因产物的表达的差异. 直接考虑这些基因层次的差异与表型之间的关联,就必须要考虑多重检验的问题.

研究者们需要将这些数据”降维”, 试图将分析对象从数万个基因减少到数量更少的”集团”.

所以有了gene set 为基础的GSEA, 关注基因间共表达的WGCNA,pathway 为基础的KEGG分析. GO分析也是其中一种, 它从GO term 出发, 尝试探索哪些term对应基因存在更显著的差异.

常见的GO分析是怎么做的

GO分析从差异表达分析得到的DEG(differential expressed gene)入手,通过超几何分布检验来判断这些DEG在哪些term中存在”富集”.

富集与超几何检验

超几何检验常用来描述采样是否偏好某个子集. 它基于超几何分布这种离散分布, 比如说, 一个口袋中有N个球,其中M个球是黑球, 那么取出n个球, 其中有k个黑球的概率就服从超几何分布.

(p = \frac{C_M^k * C_{N-M}^{n-k}}{C_N^n})

而在GO分析的语境中, 作为总体的基因被称为背景基因(background gene), 而总体中被关心的子集就是前景基因(forground gene).

比如人类基因组一共有 N 个基因, 其中某个GO term foo关联了M个基因, 实验得到的DEG一个有n个, 其中k个基因与该GO term 有关, 那么就可以再次使用上面的公式来描述了.

GO分析的检验中,零假设是DEG中属于GOterm相关的基因集合的基因与不属于这个GOterm的基因在分布上没有差异.

实际操作

GO分析可以使用线上工具完成, 比如DAVID网站. 也可以在R中利用bioconductor中的topGO等包来完成, 目前值得推荐的是clusterprofiler包, 它对多种富集分析做了一个集成,并提供了一系列绘图与工具函数.

缺陷与 GSEA

GO分析使用DEG作为输入, 但是差异表达分析结果是要使用一个p值的阈值来确定某个基因是否属于DEG的, 这个阈值的选择就比较主观. 不同的阈值得到的DEG不同,GO分析的结果就不一样.

很多时候,GO分析并没法得到有显著意义的结果.

对于这种情况的改进方法是采用GSEA来规避这种主观的阈值选择. GSEA更类似一种非参的检验方法,可以利用所有基因的表达变化信息,而不只是采用DEG的那部分.

小结

GO数据库提供了基因产物功能的标准化描述,并给出基因产物功能之间的关联. GO富集分析通过超几何检验来判断差异表达基因与GO数据库中基因功能是否存在关联.

研究者常常同时使用GO富集分析与KEGG通路分析来理解样本中的基因功能. 而GO分析依赖差异表达的结果,容易受到差异表达阈值的干扰,此时,可以选择GSEA.