clusterProfiler使用心得(1)

date: 2017.10.18
author: Jinwen

前言

大家都在诟病DAVID而推荐R包clusterProfiler，所以我也跟风……

clusterProfiler依赖于Bioconductor，如果没有安装过Bioconductor系列包，那么首次安装将会经历漫长的安装过程——还是由于网络墙太厚，本来仅仅几Mb的文件可能跟你耗着。所以安装失败的同学需要注意往前滚动查看文件是否完全下载~

关键参数

如果有兴趣可以好好研究研究clusterProfiler的实例介绍，内容非常详实。这里只是使用过程中的一点儿心得。

GO功能富集分析文中称为GO over-representation test，whatever~然后函数是enrichGO，参数还是有点儿多的，看几个关键的吧：

• OrgDb
  这个参数是关键，也就是物种相关的数据文件，以org.XX.eg.db形式呈现。通过Bioconductor进行下载，但是到底是哪些物种我从文档中没有看到查询方式~
• gene
  默认是EntrezID。传入你的基因id，这个ID到底是什么呢，可以是Ensembl ID，也可以是Symbol，或者其他。请查看keytype
• universe
  默认是EntrezID。传入进行统计计算的全局基因集合，当然可以使用默认的集合
• keytype
  设置gene以及universe等参数传入的ID类型， 可以通过keytypes(org.XX.eg.db)查看该物种包含了哪些关键字，例如Symbol或Ensembl ID;另外对ID转换可以用函数bitr
• readable
  该参数是将ID转化为Symbol，具体是怎么回事儿我也莫琢磨。但当你的输入本来就是Symbol，然后还是设置readable= TRUE，那么将会报错'names' attribute [2] must be the same length as attribute [1]

关于GO level的讨论

当你富集到的GO term过多，那么可以用dropGO与gofilter过滤，但这种过滤是以GO level来定义的，也就是只保留某一个level的。

实际上level的划分是不太合理的，就如biostar所讨论的。我们都知道GO实际上是一个树形的结构（有向无环图），包含多个分支，每个分支的层数都不一样，每个GO term可能还被多个分支共享；所以每个GO term并不能简单地通过level（也就是层数）来定义。如果以level来过滤将会损失很多的信息~

所以，一干人等开发了各种衡量GO term相似性的方法，可以参考R包GOSemSim。

另外，clusterProfiler也提供了相应的函数simplify对GO term进行去冗余，输入就是enrichGO的结果。

尾声

虽然作者文档非常清晰，但是由于太懒太笨，还是花了不少时间去尝试~