GSEAmining | 来看看你的GSEA结果是不是需要瘦身啦！~
1写在前面
最近真是累的不行，今天抽空写一下新的教程，关于人人都会做的GSEA（Gene Set Enrichment Analysis）。
但有时候我们做完GSEA后结果实在太多，无法确定其中重要的生物学意义，难以解释。
本期我们介绍一下GSEAmining包，对我们的GSEA结果做一个瘦身吧，基本原理是：
1️⃣ 对参与类似生物过程的基因集应该有
共同的基因。
2️⃣ 对拥有一定数量的共同基因的相似基因集进行功能聚类。
2用到的包
rm(list = ls())
# if (!requireNamespace("BiocManager", quietly = TRUE))
# install.packages("BiocManager")
#
# BiocManager::install("GSEAmining")
library(dplyr)
library(GSEAmining)
library(clusterProfiler)
library(msigdbr)
library(org.Hs.eg.db)
3示例数据
这里我们从DOSE包里提取一些基因，作为我们的genelist，假装是我们的输入数据。
data(geneList, package="DOSE")
gene <- names(geneList)[abs(geneList) > 2]
# Entrez gene ID
head(gene)
4整理gmt
这里我们用msigdbr包提取一下hallmark，GO和KEGG的基因集。
再也不用去下载gmt文件了，真香！~
h_t2g <- msigdbr(species = "Homo sapiens", category = "H") %>%
dplyr::select(gs_name, entrez_gene)
C2_t2g <- msigdbr(species = "Homo sapiens", category = "C2", subcategory = "CP:KEGG") %>%
dplyr::select(gs_name, entrez_gene)
C5_t2g <- msigdbr(species = "Homo sapiens", category = "C5") %>%
dplyr::select(gs_name, entrez_gene)
all_t2g <- rbind(h_t2g, C2_t2g, C5_t2g)
head(all_t2g)
5GSEA分析
5.1 开始GSEA
GSEA.res <- GSEA(geneList, TERM2GENE = all_t2g, pvalueCutoff = 0.1, eps = 0)
5.2 将ID转为SYMBOL
GSEA.res <- setReadable(GSEA.res, keyType = "ENTREZID", OrgDb = "org.Hs.eg.db")
dat <- GSEA.res@result
5.3 过滤一下
这里我们设个阈值，过滤一下，实在是太多了。
gs.filt <- gm_filter(dat,
p.adj = 0.05,
neg_NES = 2.5,
pos_NES = 2.5)
6聚类
6.1 开始聚类
这里我们进行一下hierarchical clustering，对富集结果进行一下瘦身。
补充一下，这一步是基于core_enrichment的。
gs.cl <- gm_clust(gs.filt)
gs.cl
6.2 初步可视化
画个cluster dendrogram吧， 红色 ➡️ positive, 蓝色 ➡️ negative。
gm_dendplot(gs.filt,
gs.cl)
6.3 改个颜色
gm_dendplot(gs.filt,
gs.cl,
col_pos = 'orange',
col_neg = 'black',
rect = T,
dend_len = 20,
rect_len = 1)
7分组评估富集结果
这里我们按cluster对各个cluster进行一下深入分析，看看那个term才是最重要的。
7.1 分组分析
这里我们有4个cluster，看看都是什么term吧。
我们用词云的方式展示下结果，越大越有意义。
gm_enrichterms(gs.filt, gs.cl)
7.2 不分组分析
当然你也可以不按cluster分析，全部都放在一起。
gm_enrichterms(gs.filt,
gs.cl,
clust = F,
col_pos = 'chocolate3',
col_neg = 'skyblue3')
8分组评估具体基因
对于找到的有意义的基因集，我们也可以看下哪个基因对其贡献最大，在其中起到最重要的作用。
gm_enrichcores(gs.filt, gs.cl,
col_pos = 'chocolate3',
col_neg = 'skyblue3')
9如何引用
Arqués O (2022). GSEAmining: Make Biological Sense of Gene Set Enrichment Analysis Outputs. R package version 1.8.0.
点个在看吧各位~ ✐.ɴɪᴄᴇ ᴅᴀʏ 〰
WGCNA | 值得你深入学习的生信分析方法！~
ComplexHeatmap | 颜狗写的高颜值热图代码！
ComplexHeatmap | 你的热图注释还挤在一起看不清吗！？
Google | 谷歌翻译崩了我们怎么办！？（附完美解决方案）
scRNA-seq | 吐血整理的单细胞入门教程
NetworkD3 | 让我们一起画个动态的桑基图吧~
RColorBrewer | 再多的配色也能轻松搞定！~
rms | 批量完成你的线性回归
CMplot | 完美复刻Nature上的曼哈顿图
Network | 高颜值动态网络可视化工具
boxjitter | 完美复刻Nature上的高颜值统计图
linkET | 完美解决ggcor安装失败方案（附教程）
......
本文由 mdnice 多平台发布