R语言实现GO与KEGG富集分析全流程指南

1. 生物信息学分析入门：GO与KEGG富集分析实战指南

在生物信息学研究中，理解基因功能及其参与的生物学过程是核心任务之一。GO（Gene Ontology）和KEGG（Kyoto Encyclopedia of Genes and Genomes）富集分析作为两大经典方法，为研究人员提供了系统解读基因列表生物学意义的有效工具。本文将基于R语言环境，详细介绍从原始数据处理到可视化分析的全流程实现。

提示：本文所有代码均基于R 4.2.0版本测试通过，建议使用RStudio作为开发环境。关键R包需通过Bioconductor安装。

1.1 核心概念解析

1.1.1 GO富集分析原理

GO数据库采用三级结构体系（分子功能、生物过程和细胞组分）对基因功能进行系统描述。其富集分析基于超几何检验，计算公式为：

P = 1 - Σ(C(M,i)*C(N-M,K-i)/C(N,K)) (i=0 to x-1)

其中：

• N：背景基因总数
• M：背景中属于某GO term的基因数
• K：输入基因列表中的基因数
• x：输入列表中属于该GO term的基因数

1.1.2 KEGG通路分析特点

KEGG通过绘制代谢网络图，展示基因产物在通路中的相互作用关系。其富集分析同样采用超几何分布，但关注点在于通路级别的基因集合而非功能分类。最新KEGG数据库（2023版）包含：

• 542条人类通路
• 89个疾病相关网络
• 47个药物作用靶点通路

2. 数据处理与准备

2.1 差异表达基因筛选

r复制# 设置工作目录和加载包
library(tidyverse)
library(readxl)
setwd('~/project/RNA-seq')

# 读取TCGA差异分析结果
deg_data <- read_xlsx('TCGA_deg_results.xlsx', sheet='DEGs')
deg_df <- data.frame(
  logFC = deg_data$logFC,
  pvalue = deg_data$PValue,
  FDR = deg_data$FDR,
  gene_name = deg_data$external_gene_name,
  ensembl_id