基因注释实操指南：GO与KEGG富集分析从入门到精通

做生物信息学分析的人，几乎都逃不过给基因做注释这一步，尤其是拿到一批差异基因或候选基因之后，第一反应基本都是"这些基因到底参与了哪些功能、富集在哪些通路上"。GO和KEGG注释就是回答这个问题的标准手段。但真正动手做的时候，大家才会发现，批量的基因注释远比想象中麻烦——ID格式五花八门、数据库更新不及时、物种选择不对、富集结果一堆冗余条目不知道怎么过滤，每一个环节都能卡住人。这篇我就把整套流程掰开揉碎讲清楚，从基因列表整理到工具选型，从在线平台实操到R语言本地跑通，再到结果解读和可视化，一次讲透，帮大家少走弯路。

1. 注释之前，先把基因列表整理明白

很多人在批量注释上翻车，不是工具不会用，而是输入数据就没准备好。拿到一个基因列表，先别急着粘贴到网页上，花几分钟把格式和ID类型理顺，后面能省下好几个小时。

1.1 基因ID的常见格式与转换逻辑

基因ID这回事，看着简单，实际上坑很多。同样的一个基因，在不同数据库里有不同的叫法：Entrez ID是一串数字，比如TP53对应的Entrez ID是7157；Ensembl ID是ENSG开头的字符串，比如ENSG00000141510；还有最常见的Gene Symbol，也就是TP53这种简洁写法；另外还有RefSeq的NM_编号、UniProt的蛋白ID等等。

做GO和KEGG注释时，不同工具支持的ID类型不一样。DAVID支持多种ID，KOBAS也可以自动识别一部分，但最稳妥的做法是统一转成Entrez ID或者Gene Symbol再提交。为什么？因为这两个ID的覆盖率高，几乎所有注释工具都能识别。

ID转换有几种方式：如果是人类的基因，可以用R语言里的clusterProfiler包配上org.Hs.eg.db注释包直接转；也可以用在线工具如bioDBnet、DAVID的ID转换功能，或者Ensembl官网的BioMart。我个人的习惯是用R语言转，因为批量处理方便，而且可以保留原始列表的顺序。

1.2 去重、过滤与格式清洗的实操细节

这一节的细节直接决定结果的可靠性。基因列表最常见的几个问题：一是含有重复项，二是包含无法识别的基因名，三是混入了空行和特殊字符。

去重这一步千万别省。提交重复基因名进去，有些工具会报错，有些工具会静默去重，还有些工具会把同一个基因算多次，导致富集结果偏差。建议在Excel或R里提前去重，R里就是unique()一行代码的事。

过滤方面，建议把表达量为0的基因、没有对应注释信息的基因都考虑是否剔除。另外，如果做的是转录组数据，基因列表里可能包含一些非编码RNA，它们的GO注释覆盖度比较低，KEGG通路注释更少，不处理可能会拉低整体的注释率。

格式清洗容易被忽略。基因列表里如果有空格、中文标点、全角字符，某些在线工具会识别失败。粘贴之前，最好在文本编辑器里把逗号、分号统一成换行符，确保每一个基因占一行。

提示：下载基因列表时，Excel另存为CSV格式时容易把基因名自动转成日期格式，比如"SEPT2"会被改成"9月2日"，这是Excel的经典坑，务必在导入时把列格式设为"文本"，或者用R的read.csv(..., colClasses="character")来读取。

2. 工具选型：在线平台与本地脚本怎么取舍

工具选型这事，很多人觉得随便拿一个能出结果就行，但实际用下来差异很大。不同工具背后的数据库版本、算法细节、物种覆盖度都不一样，结果自然有偏差。选工具前，先想清楚三个问题：物种是什么、基因数量多少、有没有编程基础。

2.1 主流GO和KEGG注释工具对比

我这些年用下来，主流工具无非是这几类，各自特点如下表：

DAVID是老牌工具，2003年就有了，很多人的GO和KEGG注释初体验都是从DAVID开始的。它的优势在于封装好了，不需要任何代码基础，把基因Symbol或Entrez ID贴进去，选好物种和背景，点提交就能出结果。但它的注释数据库更新滞后，基本上一年才更新几次，对于研究新物种或新注释版本的人来说，注释率会明显偏低。

KOBAS是我个人比较推荐的KEGG注释方案之一，它对KEGG数据库的整合做得比较好，能自动将多种ID映射到KEGG通路。而且它支持列表输入和富集分析两种模式，灵活性高。不过它的网页端有时不太稳定，提交大列表后可能要等待较长时间。

clusterProfiler是R语言生态里功能注释的扛把子。它的优势不只在注释本身，而是整个分析链路的整合——你可以从DESeq2或limma得到差异基因后，直接管道式地传入clusterProfiler做注释和富集，再直接出图。对于处理几十个样品、上万基因的转录组数据来说，这种本地脚本的方式最可靠、最可复现。

2.2 为什么我建议至少掌握一种本地方案

在线平台最大的问题是"黑盒"——你看不到它用的什么版本数据库，看不到它具体的映射过程，只能拿到最终结果。对于发文章来说，这种不可复现性是一个隐患。审稿人如果问"你用哪个版本的KEGG数据库做的注释"，用DAVID的人往往答不上来，因为DAVID没有清楚标注每个功能注释的数据库版本和日期。

本地方案，比如clusterProfiler加对应的OrgDb包，就能精确控制数据库版本。比如人类的注释包是org.Hs.eg.db，版本和Bioconductor的版本绑定，KEGG注释可以用clusterProfiler::enrichKEGG()直接调用最新KEGG数据库。也就是说，你的所有分析都是可复现的，这在学术规范上是很加分的。

另外，本地方案在处理大规模数据时的自由度是网页工具没法比的。比如你有一万五千个基因，想筛选在某个特定GO子类下显著富集的基因，或者想做自定义背景集的富集分析，这些在网页工具里要么不支持，要么限制很多，本地代码里就只是几行脚本的事。

考虑到系统学习成本，我建议至少掌握clusterProfiler的基本用法，哪怕只是照着教程跑通一次，后面遇到相似分析就都能自己搞定了。

3. 在线工具实操：DAVID和KOBAS手把手跑一遍

在线工具虽然简单，但也绝不是"粘贴-提交-等结果"三步那么简单，里面有很多细节设计会影响结果质量。我用DAVID和KOBAS分别走一遍流程，把关键的选项和参数拎出来讲。

3.1 DAVID的完整提交步骤与参数解读

DAVID的网址是david.ncifcrf.gov。首次使用建议注册一个免费账号，否则有些功能会受限制。进入主页后，点击"Start Analysis"。

这里需要留意：DAVID支持两种基因标识输入，一个是粘贴列表，一个是上传文件。如果基因数量比较多，我建议用上传文件的方式，格式可以是纯文本，每个基因一行。

输入基因列表后，下一步是选择基因标识类型。DAVID支持基因Symbol、Entrez ID、Affy ID等多种格式。尽管DAVID有自动识别的能力，但我强烈建议手动明确选择，因为自动识别有时会把数字型的Entrez ID和Affy ID混淆，导致映射错误。选好类型后，点击"Submit List"。

接下来是最关键的一步——选择物种背景。在"Select Species"区域，DAVID会自动猜测物种，但经常猜错，尤其是当你输入的人类基因Symbol和另一个物种的基因名重合时。这时候必须手动搜索并选择正确的物种，比如人类就选"Homo sapiens"。

提交后进入结果面板，这时能看到一个基因映射的统计——"X of Y genes mapped"。如果映射率很低，比如低于50%，就要考虑是不是ID类型选错了、基因格式有问题或者物种选错了。单击"Functional Annotation Chart"就可以看到GO和KEGG的富集结果。

DAVID里默认展示的是功能注释图表，包含了BP、CC、MF三大GO类别的富集结果，以及KEGG通路的结果。注意DAVID的默认背景是全基因组，这实际上是"过表达分析"的模式，检测到的显著富集条目里面，有可能混入一些由基因长度偏好导致的伪富集，尤其是做RNA-seq数据时，建议换用"Functional Annotation Clustering"或者考虑在论文里注明使用的是全基因组背景。

3.2 KOBAS的使用流程与参数设置详解

KOBAS的网址是kobas.cbi.pku.edu.cn。它的界面和DAVID不同，但逻辑类似。首页选择"Gene List Enrichment and Annotation"，粘贴基因列表。

KOBAS的一个明显优点是支持更多ID格式，甚至支持直接输入基因的RefSeq ID、UniProt ID等。它有一个"ID mapping"的自动检测功能，一般情况下可以信赖，但如果基因数特别多，还是建议先统一转换成Entrez ID或Symbol。

物种选择：KOBAS里可以选物种，也可以不选让它自动匹配。我建议手动选，因为自动匹配对一部分人类基因可能会映射到小鼠同源基因上，导致后续KEGG富集的通路变了味。选好物种后，下面是数据库选择。一般保持默认即可，GO和KEGG都在里面的。

KOBAS里还有一个背景基因集的选项，默认是"Genome"，也就是全基因组背景。如果你的项目有专门的背景基因集，比如某个组织里所有表达的基因列表，这里可以上传自定义背景。这个功能比较实用，对于做特定组织转录组的用户来说，用自定义背景能更准确地反映真实富集情况。

提交后进入结果页面，KOBAS会给出一个结果表格，包括每个通路的ID、描述、富集分子数量、P值、校正后P值等。建议导出时选择"with gene list"的格式，这样每个通路下面都会显示出具体的基因列表，后续画图或者手动筛基因都很方便。

提示：KOBAS网页版的ID mapping有时对纯数字的Entrez ID识别不准确，会在你还没反应过来的情况下当成别的物种处理。提交前可以先跑一个10个基因的小测试列表，看映射结果是否符合预期，再提交全量列表。

4. 本地批量注释：用R语言和clusterProfiler跑出可复现的结果

如果你手上是转录组差异基因，或者是上千个基因规模的数据集，我还是建议直接用R语言做注释。这部分的代码写顺了之后，以后遇到任何物种、任何规模的注释都只需要稍微改改就行。

4.1 环境准备与物种注释包选择

首先确保R版本在4.0以上，然后从Bioconductor安装clusterProfiler、org.Hs.eg.db等包。安装命令如下：

r复制if (!require("BiocManager", quietly = TRUE))
    install.packages("BiocManager")
BiocManager::install(c("clusterProfiler", "org.Hs.eg.db", "DOSE", "enrichplot"))

org.Hs.eg.db是人类专用注释包，这里面包含了人类的Entrez ID、Symbol、Ensembl ID之间的对应关系，以及GO注释信息。如果你研究的是小鼠、大鼠、斑马鱼或拟南芥，需要换成对应的OrgDb包，名称有规律：

• 人: org.Hs.eg.db
• 小鼠: org.Mm.eg.db
• 大鼠: org.Rn.eg.db
• 斑马鱼: org.Dr.eg.db
• 果蝇: org.Dm.eg.db
• 拟南芥: org.At.tair.db

这些包都可以从Bioconductor安装，安装方式一样，把包名换掉即可。

4.2 从基因列表到GO/KEGG富集的完整代码示例

这一步直接给一个可以参考完整代码。假设你有差异基因，文件是CSV，其中一列是基因Symbol。

r复制# 加载包
library(clusterProfiler)
library(org.Hs.eg.db)

# 读取基因列表，假设CSV里有一列名为gene_symbol
deg <- read.csv("deg_genes.csv", stringsAsFactors = FALSE)
genes <- unique(deg$gene_symbol)

# 将基因Symbol转换为Entrez ID
entrez <- bitr(genes, fromType = "SYMBOL", toType = "ENTREZID", OrgDb = org.Hs.eg.db)
head(entrez)

bitr()函数是ID转换的核心函数。fromType和toType可以自由替换，常见的包括ENSEMBL、REFSEQ、UNIPROT等。转换后会发现有一部分基因没有对应的Entrez ID，这属于正常现象，可能是新基因、非编码RNA或者旧注释名，保留有匹配结果的基因继续后续分析。

r复制# GO富集分析, 三个ontology分别是BP（生物学过程）、CC（细胞组分）、MF（分子功能）
go_BP <- enrichGO(gene = entrez$ENTREZID,
                  OrgDb = org.Hs.eg.db,
                  keyType = "ENTREZID",
                  ont = "BP",
                  pAdjustMethod = "BH",
                  pvalueCutoff = 0.05,
                  qvalueCutoff = 0.05,
                  readable = TRUE)

go_CC <- enrichGO(gene = entrez$ENTREZID,
                  OrgDb = org.Hs.eg.db,
                  keyType = "ENTREZID",
                  ont = "CC",
                  pAdjustMethod = "BH",
                  pvalueCutoff = 0.05,
                  qvalueCutoff = 0.05,
                  readable = TRUE)

go_MF <- enrichGO(gene = entrez$ENTREZID,
                  OrgDb = org.Hs.eg.db,
                  keyType = "ENTREZID",
                  ont = "MF",
                  pAdjustMethod = "BH",
                  pvalueCutoff = 0.05,
                  qvalueCutoff = 0.05,
                  readable = TRUE)

这里说明几个参数的含义：pAdjustMethod是多重检验校正方法，最常用的是BH，也就是Benjamini-Hochberg方法，它能在控制假发现率的同时保留较高的检出率；pvalueCutoff和qvalueCutoff分别代表P值和校正后P值的阈值，一般都用0.05。readable=TRUE的意思是结果里的基因ID用Symbol显示而不是Entrez ID，方便阅读。

上面的代码分别跑三个GO子类。如果你想一次性得到三个类别的合并结果，也可以把ont设为"ALL"，但通常会得到一个很大的表，后续整理麻烦，所以我的习惯是分开跑。

KEGG富集分析稍微有点不一样，因为它依赖KEGG数据库的在线接口，需要联网：

r复制# KEGG富集分析, 物种代码: hsa代表人类, mmu小鼠, rno大鼠
kegg <- enrichKEGG(gene = entrez$ENTREZID,
                   organism = "hsa",
                   keyType = "kegg",
                   pAdjustMethod = "BH",
                   pvalueCutoff = 0.05,
                   qvalueCutoff = 0.05)

这里需要注意keyType参数是"kegg"，表示输入的基因ID会被当作KEGG ID处理。ENTREZID是可以直接对应的，如果你的输入是其他类型的ID，需要先转成ENTREZID再传入。

如果你的网络环境无法访问KEGG官网，或者服务器在国外解析KEGG API时不稳定，enrichKEGG很有可能会报错。备选方案是用本地KEGG注释文件分析，clusterProfiler这个扩展包里就有小鼠和人类的kegg.gmt文件，可以通过read.gmt()函数读取，然后用enricher()分析。不过这个方案的KEGG注释文件版本比较老，需要注意。

4.3 富集结果的提取、排序与筛选策略

跑完以后，结果需要提取和整理。enrichGO返回的是一个enrichResult对象，可以用as.data.frame()转成数据框，然后用head()查看前几行。

r复制# 将结果转为数据框
go_BP_df <- as.data.frame(go_BP)
kegg_df <- as.data.frame(kegg)

# 查看显著富集的前10条GO条目
head(go_BP_df, 10)

# 按P值排序，提取基因数最多的前20条
go_BP_df <- go_BP_df[order(go_BP_df$p.adjust), ]
top20 <- head(go_BP_df, 20)

筛选策略上，我通常会根据项目需要决定：有些文章只关心P值最显著的前几个条目，有些文章则关心通路的覆盖基因数。实际操作中，建议优先关注以下几个指标的组合：

• p.adjust：校正后的显著性，主筛选条件。
• Count：富集到这个通路或GO条的基因数。Count太小，比如只有1个基因，即使P值很显著，生物学意义也有限。
• GeneRatio：富集基因数占输入基因总数的比例，这个反映了富集的程度。

另外要特别提醒，GO条目的冗余度很高——比如"regulation of cell proliferation"和"positive regulation of cell proliferation"在很多情况下富集到的基因几乎一样。在最终报告里，要么手工挑代表性的条目，要么用enrichplot::cnetplot()画网络图观察条目间的冗余关系。

5. 结果解读与批量注释的可视化呈现

出结果只是第一步，看得懂结果、能出漂亮的图才是分析的价值所在。这节说一些解读和出图的常见做法，很多细节是实际操作里总结出来的经验。

5.1 GO和KEGG富集结果表里各字段的实际含义

结果表里这些字段值得逐个弄清楚。

• ID和Description：分别是GO条目或KEGG通路的编号和描述。GO条目的格式是GO:0006915这种，KEGG通路是hsa04110这种，描述如"Apoptosis"。
• GeneRatio和BgRatio：GeneRatio是输入基因中映射到该条目/通路的基因数占输入总基因数的比例；BgRatio是全基因组中注释到该条目/通路的基因数占背景基因总数的比例。这两个比值的对比能帮助你判断富集的方向和强度。
• pvalue和p.adjust：原始P值和多重检验校正后的P值。p.adjust更可靠，后者才是筛选时的依据。
• qvalue：另一种控制假发现率的方法得到的值，和p.adjust类似但计算方式不同。一般看p.adjust和qvalue两者谁更严格。
• geneID和Count：富集到该通路/条目的具体基因列表和数目。前者通常用/分隔多个基因。

有一个很容易被误读的地方：P值显著不等于生物学意义显著。一个条目P值很小，可能是因为它富集到的基因数和背景相比确实超出了预期，但如果这些基因都是在你的实验里表达量变化很小的基因，那这个富集的实用性就要打个问号。所以解读的时候一定要回到基因列表看具体是哪些基因富集到目标通路中。

5.2 批量注释后的可视化出图思路

clusterProfiler的姊妹包enrichplot提供了丰富的可视化函数，利用这些函数可以在几分钟内生成出版级别的图。

r复制library(enrichplot)

# 气泡图: 展示显著富集的GO条目
dotplot(go_BP, showCategory = 15)

# 通路关系网络图: 展示富集通路和基因的关系
cnetplot(kegg, showCategory = 10)

# 富集图: 展示通路的基因比例和显著性
barplot(go_BP, showCategory = 15)

dotplot气泡图最为常用，横轴是GeneRatio，纵轴是不同的GO条目或通路，气泡大小表示基因数，颜色表示P值。这张图能快速看出哪些条目既显著又覆盖了较多的基因，是非常经典的结果展示方式。

cnetplot是通路和基因的连线图，适合展示基因在不同通路中的分布。这个图的缺点是当富集到的通路和基因很多时，图会非常拥挤，建议控制showCategory=10以内。

除了enrichplot，还有一个比较实用的画图思路是把KEGG通路映射到通路图上，也就是KEGG网页上的"Pathway Mapping"。pathview这个包可以做到：

r复制library(pathview)

# 将差异基因表达值映射到特定KEGG通路上
# gene.data是一个命名向量, 名字是ENTREZ ID, 值是log2FoldChange
pv <- pathview(gene.data = gene_data, pathway.id = "04110", species = "hsa", out.suffix = "demo")

pathview会生成一个PNG图片，通路上的基因会按照你的表达值着色，直观展示哪些基因在通路中被上调或下调。

我觉得做批量注释可视化时还有一个常见误区是贪多求全。一张图上塞三四十个条目，根本看不清楚。我个人的建议是，先按p.adjust排序取前10到15个展示，同时兼顾多个方面——既要有显著富集的，又希望覆盖的基因数和研究背景相关。这样做出来的图既美观，信息量也准确。

6. 实战中的常见坑与避坑经验

这一节的经验都是实打实踩坑换来的。批量注释看着简单，但每个环节都有几个让人头疼的问题，我挑最典型的几个说说。

6.1 物种选择错误与同源基因干扰

有一次我帮同事分析一批人的差异基因，他先在小鼠的流程里跑了一遍，结果富集出来的通路全都偏向了代谢和免疫。后来查原因，就是因为基因Symbol在人和小鼠之间大量同源，工具自动映射时错误地匹配到了小鼠的同源基因。

不同物种的同源基因共享同一个Symbol是很常见的事，人和小鼠的基因Symbol大部分相同或相似。所以使用任何在线工具，都务必手动确认物种选择，而且建议在结果出来后抽查几个基因的Entrez ID是否属于目标物种。

如果想严谨一点，提交前可以在R里先做一轮物种确认：

r复制# 验证基因Symbol属于人类还是小鼠
library(org.Hs.eg.db)
library(org.Mm.eg.db)

test_genes <- c("TP53", "BRCA1", "Stat3", "Mapk1")
# 用人类的注释包检测能否映射到ENTREZID
map_hs <- bitr(test_genes, fromType = "SYMBOL", toType = "ENTREZID", OrgDb = org.Hs.eg.db)
print(map_hs)

如果"Stat3"在人类里也能匹配到ENTREZID，说明人类注释包也能识别这个Symbol，但实际它是一个小鼠基因名还是人类基因名，还需要看具体的表达量来源。

6.2 背景基因集的选择对富集结果的影响

做GO和KEGG富集时，背景基因集的选择直接决定结果是否合理。默认的全基因组背景适合大多数场景，但对于某些特定组织或细胞类型的转录组数据，全基因组背景会稀释组织特异性的信号。

举个例子，你做的是心脏组织的转录组，差异基因里有大量心肌收缩相关基因。用全基因组做背景，这些基因的富集显著性可能并不突出；但如果用心脏组织所有表达的基因做背景，心肌收缩通路的富集可能就会非常显着。这就是背景集影响结果的一个典型场景。

如果你的实验有明确的参考背景集，在有条件的情况下尽量用自定义背景。DAVID和KOBAS都支持上传背景基因列表，clusterProfiler里也可以通过universe参数指定背景。这点在发表文章时往往被忽略，但审稿人一旦问起，你就需要解释清楚你用的是全基因组背景还是组织特异性背景。

6.3 数据库版本不一致导致的结果差异

这是另一个容易引发争议的问题。同一批基因，用2020年的KEGG数据库和用2024年的KEGG数据库富集，结果很可能完全不同——因为KEGG数据库本身在持续更新，一些通路的基因成员、通路的划分都在变化。

解决办法是在分析记录里明确标注数据库版本。对于clusterProfiler来说，KEGG数据是通过在线API拉取的，所以分析时要用sessionInfo()记录R和包的版本，必要时记录KEGG数据库的版本日期。对于DAVID这类网页工具，截图或记录分析时间也是一种办法。

如果你需要严格的版本可追溯性，可以用KEGG官方的历史版本数据库文件，或者用Bioconductor的KEGGREST包手动获取指定日期的数据，这样每次分析都基于同一个版本。

提示：保存一批基因的分析结果时，习惯性把运行代码和关键的sessionInfo()信息一起存成RData或存成报告文件，别只留一个结果表格。几个月后要补图或改参数时，你就知道这有多重要了。

6.4 新旧基因Symbol的兼容性问题

基因命名是动态的，有些基因以前叫A，后来改名为B，但在旧的注释文件和数据库里可能还以A的形式存在。比如人类的"KIAA"系列基因后来改成了正式的Symbol，但很多旧文章引用的还是旧名字。

如果你手里的基因列表是几年前的分析结果，直接拿去和最新注释做映射，部分基因会映射不上或映射错。这种情况下，多用几个数据库交叉验证一下，比如把没映射上的基因拿去Ensembl BioMart或者NCBI Gene里手动查一下新名字，再补回列表。

这个问题在一些非模式生物里更严重，因为它们的基因注释本身就很不完善。如果做的是小众物种，做好心理准备，可能只有50-60%的基因能成功注释上，这已经是正常水平了。不同物种的注释完善程度差异很大，人和小鼠的注释率通常在80-90%以上，模式植物拟南芥和水稻也还不错，但一些小众物种注释率低于一半也不奇怪。

我自己的习惯是，在做批量注释之前，先统计基因列表的注释覆盖率。如果注释率过低，优先考虑是不是ID类型没搞对，其次是考虑基因列表来源是否可靠，然后再往下分析。硬着头皮用低注释率的结果去发文章，不仅结论站不住脚，审稿时也容易被问到。

批量注释GO和KEGG是一件看起来基础、实际却很琐碎的事情。但正因为它基础，理清楚里面的逻辑和细节，后面做任何功能分析都能省下不少无用功。希望这篇内容能帮大家把流程理顺，少踩几个我已经踩过的坑。如果你有自己的注释心得，也欢迎在评论区分享讨论。