幕雪

基因富集分析是什么、为什么要做、在哪里做、需要什么、如何操作与结果解读

什么是基因富集分析？核心概念与原理详解

基因富集分析（Gene Enrichment Analysis）是一种常用的计算生物学方法，主要目的是从一个受关注的基因集合（例如，通过差异表达分析得到的上调或下调基因列表、某个疾病相关的基因集等）中识别出在统计学上显著过量出现的生物学类别（如通路、功能、疾病关联等）。简单来说，它帮助研究人员理解一个基因列表的整体生物学意义和功能背景，而不是仅仅孤立地看待每一个基因。

其核心原理通常基于统计检验，最常见的方法是
超几何分布检验 (Hypergeometric Test) 或 Fisher 精确检验 (Fisher’s Exact Test)。这些检验用于评估某个特定的生物学类别（例如，“细胞凋亡”这个GO Term 或 “PI3K-Akt Signaling Pathway” 这个KEGG通路）在一个给定的基因列表中出现的频率，是否显著高于其在整个背景基因集合（例如，实验中检测到的所有基因或基因组上的所有基因）中出现的频率。

想象一个2×2的列联表：

在你的基因列表里 不在你的基因列表里
属于该生物学类别 a (交集基因数) b (背景中属于该类别但不在你列表里的基因数)
不属于该生物学类别 c (在你列表里但不属于该类别的基因数) d (背景中不属于该类别且不在你列表里的基因数)

总基因列表大小 = a + c
总背景基因集大小 = a + b + c + d

超几何检验或 Fisher 精确检验就是计算：在已知总背景基因集大小 (N=a+b+c+d) 和你的基因列表大小 (n=a+c) 的情况下，随机从背景中抽取 n 个基因，有多少概率会恰好或超过 ‘a’ 个基因落在某个特定的生物学类别中（该类别在背景中共有 K=a+b 个基因）。这个概率就是
p-value。p-value 越小，说明该生物学类别在你的基因列表中的富集越不可能由随机因素导致，从而认为它是“显著富集”的。

需要注意的是，一次分析通常会针对数百甚至数千个生物学类别进行检验，这涉及到
多重假设检验问题。因此，仅仅看原始的p-value是不够的，必须对p-value进行校正，常用的校正方法有 Bonferroni 校正和 Benjamini-Hochberg (FDR – False Discovery Rate) 校正。通常，研究人员会关注校正后p-value (Adjusted p-value 或 FDR) 小于某个阈值（如 0.05）的富集项。

为什么要进行基因富集分析？从冰冷的列表到有意义的故事

在高通量实验（如RNA-Seq、微阵列、ChIP-Seq、蛋白质组学等）中，我们常常会得到一个包含几十、几百甚至几千个基因的列表。仅仅拥有一长串基因名称或ID，对于理解实验结果背后的生物学机制几乎没有帮助。我们想知道的是：

  • 这些基因共同参与了哪些细胞活动或过程？
  • 它们属于哪些已知的分子通路？
  • 它们与哪些疾病或表型相关？
  • 它们定位于细胞的哪个区域？

手动地去逐个查询和整理这些基因的功能信息是极其耗时且低效的，而且很难从中发现基因集合的整体趋势和共性。基因富集分析正是为了解决这个问题而诞生的。

进行基因富集分析的主要原因：

  1. 揭示基因列表的集体功能： 将大量的基因信息压缩并概括到少数几个具有代表性的生物学类别上，使得数据更容易理解和解释。
  2. 连接基因变化与已知生物学知识： 将实验中观察到的基因层面的变化（如差异表达）与已有的生物通路、功能模块、疾病机制等联系起来，从而提供生物学背景。
  3. 生成可检验的生物学假说： 富集分析的结果可以提示哪些生物学过程或通路可能在实验条件下被激活或抑制，为后续的机制研究提供方向。
  4. 降低数据复杂性： 从大量的差异基因中筛选出最可能具有生物学意义的核心功能或通路，帮助研究人员聚焦精力。

总之，基因富集分析是连接高通量数据与生物学意义的桥梁，它帮助我们从冰冷的数据列表讲述出有意义的生物学故事。

在哪里进行基因富集分析？工具与资源导航

进行基因富集分析有多种途径，从用户友好的在线工具到功能强大的本地软件库，选择哪种取决于你的需求、计算资源和熟悉程度。所有这些工具都需要依赖背后庞大的生物学注释数据库。

常用的在线工具 (Web Servers)

这些工具无需安装，通常提供图形界面，易于上手，适合初学者或进行快速分析。

  • DAVID (Database for Annotation, Visualization and Integrated Discovery): 历史悠久，使用广泛，整合了多种注释数据库，提供丰富的统计和可视化选项。
  • Metascape: 相对较新，界面美观，整合的数据库更多，尤其擅长处理多个基因列表，并提供基于网络的富集结果可视化和聚类，有助于减少富集Term的冗余。
  • Enrichr: 非常快速且简单，拥有极其丰富的各种基因集库（包括细胞类型、疾病、药物效应等），适合探索基因列表与已知特征的关联。
  • WebGestalt (WEB-based Gene Set Analysis Toolkit): 功能全面，支持多种物种和富集类型，提供多种可视化选项。
  • STRING-DB: 虽然主要用于构建和分析蛋白质互作网络，但也集成了基于GO和KEGG的富集分析功能。

常用的本地软件或编程库

这些工具提供了更大的灵活性和可定制性，适合需要自动化流程、处理大规模数据或进行高级分析的用户。

  • R 语言包 (如 clusterProfiler, topGO, GOseq): 在生物信息学分析中最常用。clusterProfiler 功能强大且全面，支持多种富集类型、多种数据库和优秀的定制化可视化；topGO 专门针对GO富集并考虑了GO Term的层级结构；GOseq 专门处理RNA-Seq数据中基因长度对富集结果的潜在影响。
  • Python 库 (如 GSEApy): 提供脚本化的富集分析能力，虽然名字有GSEA，但也支持标准的ORA富集。
  • Cytoscape (及其插件如 ClueGO, BiNGO): 主要用于网络可视化，但通过安装富集分析插件，可以将富集结果与基因互作网络结合展示。

底层的生物学注释数据库 (Annotation Databases)

无论使用何种工具，富集分析的结果质量很大程度上取决于其背后所使用的生物学注释数据库的新鲜度和完整性。主要的注释数据库包括：

  • Gene Ontology (GO): 描述基因和基因产物功能的结构化分层体系，分为分子功能 (Molecular Function, MF)、细胞组分 (Cellular Component, CC) 和生物过程 (Biological Process, BP)。这是最常用的富集分析数据库之一。
  • KEGG (Kyoto Encyclopedia of Genes and Genomes): 一个整合了基因组、通路和疾病信息的数据库，KEGG通路富集是另一项核心分析。
  • Reactome: 提供人工策的、详细的生物通路信息，是KEGG的重要补充。
  • MSigDB (Molecular Signatures Database): 包含了大量预先定义的基因集，来源于各种通路、GO Term、调控序列、癌症特征、免疫状态等，是GSEA（Gene Set Enrichment Analysis，一种相关但不同的富集方法）的核心数据库，也被很多ORA工具使用。
  • 其他数据库，如疾病关联数据库 (如OMIM, DisGeNET)、蛋白质相互作用网络、TF靶基因预测等，也被整合到一些高级富集工具中。

进行基因富集分析需要什么？输入数据要求

进行基因富集分析通常需要以下两个核心输入：

  1. 待分析的基因列表 (Gene List of Interest):

    • 这是你通过实验或计算得到的、希望进行功能解释的基因集合。
    • 最常见的来源是差异表达分析（如RNA-Seq或微阵列）中筛选出的显著上调或下调的基因。
    • 其他来源包括：GWAS研究中与某个位点关联的基因、ChIP-Seq鉴定出的转录因子靶基因、蛋白质相互作用组学中鉴定出的互作蛋白的编码基因、CRISPR筛选得到的关键基因等。
    • 这个列表通常只需要基因的标识符（ID）。
  2. 背景基因集 (Background Gene Set) 或称参照基因集 (Reference Set):

    • 这是进行统计检验时所参照的“全集”。
    • 对于差异表达分析，最合适的背景基因集通常是你进行差异表达分析时考虑的
      所有 经过过滤和归一化的基因（即，你在实验中能够检测到表达的所有基因），而不是仅仅是基因组上的所有基因。使用这个背景集可以避免由于基因的可检测性或过滤标准引入的潜在偏差。
    • 对于其他类型的研究，背景集可能是整个基因组、某个芯片上的所有探针对应的基因、某个蛋白质互作网络中的所有节点基因等，具体取决于你的研究设计和生成基因列表的方法。
    • 提供正确的背景基因集对于获得准确的p-value至关重要。很多在线工具如果你不提供背景集，会默认使用整个基因组作为背景，这在某些情况下可能导致偏差。

关于基因标识符 (Gene ID):
上传基因列表时，需要使用工具支持的标准基因ID格式，例如：

  • Gene Symbol (基因名，如 TP53, MYC)
  • Entrez ID (NCBI Gene ID, 数字ID，如 7157)
  • Ensembl ID (Ensembl数据库的ID，如 ENSG00000141510)
  • RefSeq ID
  • Affymetrix 探针 ID (如果数据来源于Affymetrix芯片)

确保你的基因列表和背景基因集使用
同一种、且与你选择的物种和注释数据库兼容 的基因ID格式。许多工具内置了ID转换功能，但最好在输入前就统一格式。

关于基因列表大小:
基因富集分析对于基因列表的大小没有严格的硬性限制。然而，如果你的基因列表非常短（例如，少于10-20个基因），可能很难在统计学上检测到显著富集的生物学类别，因为交集基因数 ‘a’ 太小，难以产生足够小的p-value。对于非常长的列表，富集到的Term可能会很多，需要更好的可视化和冗余处理方法。

如何操作基因富集分析？通用步骤指南

进行基因富集分析的流程大致如下：

  1. 获取并准备你的基因列表：

    • 这是你的原始输入，例如差异表达基因列表。
    • 根据你的实验结果或研究目的，筛选出你感兴趣的基因集。
    • 将基因列表整理成工具接受的格式，通常是纯文本文件，每行一个基因ID。确保基因ID格式统一且准确。
  2. 确定并准备背景基因集：

    • 这是进行统计检验所需的参照全集。
    • 如前所述，最理想的背景集是你进行初始筛选时考虑的所有基因。
    • 同样整理成工具接受的纯文本格式，每行一个基因ID，并与你的基因列表使用相同的ID格式。
  3. 选择一个合适的富集分析工具：

    • 根据你的需求（是否需要图形界面、是否需要脚本自动化、需要哪些特定的数据库、预算、数据量大小等），从在线工具或本地软件中选择一个。
  4. 上传数据并进行配置：

    • 打开你选择的工具。
    • 上传你的基因列表和背景基因集（如果工具要求）。
    • 选择物种： 这是非常关键的一步，确保你选择的物种与你的基因列表和背景集匹配。
    • 选择注释数据库： 选择你希望进行富集分析的生物学类别来源，例如 GO (BP, CC, MF), KEGG Pathways, Reactome Pathways, MSigDB等等。通常可以多选。
    • 选择统计检验方法： 大多数ORA工具默认使用超几何检验或 Fisher 精确检验，通常保持默认即可。
    • 选择多重检验校正方法： 务必选择一种校正方法，最常用的是 FDR (Benjamini-Hochberg)。
    • 设置p-value或FDR的阈值（通常为 0.05）。
  5. 运行分析：

    • 点击开始分析按钮。分析时间取决于基因列表大小、背景集大小、选择的数据库数量以及服务器或本地计算机的性能。
  6. 查看和下载结果：

    • 分析完成后，工具会生成一个结果报告，通常以表格形式呈现。
    • 表格通常包含：富集到的生物学类别名称 (Term)、属于该类别的基因数 (Count/Overlap in gene list)、该类别在背景集中的总基因数 (Size/Total in Category)、原始p-value、校正后的p-value (Adjusted p-value / FDR)。
    • 下载原始结果文件以备后续处理和存档。
  7. 解读和可视化结果：

    • 这是最重要的一步，将在下一节详细介绍。你需要理解结果表格中的每一列的含义，并结合生物学背景进行解释。
    • 利用工具提供的或自己生成的可视化图表来更直观地展示富集结果。

如何解读结果与进一步优化？深挖富集分析的生物学意义

获得富集分析结果后，关键在于如何从中提取有意义的生物学信息。这不仅仅是看哪些项的p-value最小，更需要综合考虑。

理解结果报告的关键指标：

  • Term/Category (生物学类别): 这是富集到的具体功能、通路或组分名称（如 “细胞周期调控”, “MAPK signaling pathway”, “线粒体基质” 等）。它们的含义需要查阅相应的数据库（如GO官网、KEGG官网）来深入理解。
  • Count/Overlap (交集基因数): 在你的输入基因列表中，有多少个基因属于这个富集到的生物学类别。这个数字很重要，因为它直接反映了你的基因列表与该类别的关联强度。
  • Size/Total in Category (类别总基因数): 在你选择的背景基因集中，总共有多少个基因被注释到这个生物学类别下。结合Count，可以计算富集倍数 (Enrichment Ratio = (Count / Total in gene list) / (Size / Total in background))，但通常富集软件直接给出的统计显著性指标更可靠。
  • p-value (原始p值): 基于统计检验（如超几何检验）计算出的概率。表示在随机情况下，观察到当前或更极端富集程度的概率。值越小，随机发生的可能性越低。
  • Adjusted p-value / FDR (校正p值 / 错误发现率): 经过多重假设检验校正后的p-value。这是
    最关键的指标，用于判断富集结果是否具有统计学意义。FDR < 0.05 通常被认为是显著富集的阈值，但这可以根据研究严格性适当调整。务必重点关注校正后的p值。

结果解读与注意事项：

仅仅筛选出FDR < 0.05 的富集项是第一步。接下来需要：

  • 结合生物学背景： 富集到的Term是否与你的实验设计或研究问题相符？例如，如果在研究癌症，富集到“细胞周期”、“凋亡”、“信号通路”等Term是预期内的；如果富集到完全不相关的Term，可能需要检查数据、基因列表或背景集的选择是否有问题。
  • 检查富集Term的特异性： GO Term具有层级结构。一个宽泛的Term（如“代谢过程”）可能包含了许多基因，很容易富集到，但信息量不大。一个很具体的Term可能只包含少数几个基因。关注那些既有统计学意义，又不过于宽泛或过于狭窄的Term。一些工具提供了Term的层级可视化，有助于理解它们之间的关系。
  • 处理结果冗余： 不同的GO Term或通路之间可能高度相关或包含大量相同的基因，导致富集结果中出现很多意思相近的Term。例如，“细胞增殖正调控”和“细胞周期调控”可能高度重叠。一些工具（如Metascape, clusterProfiler）提供了功能性聚类或网络可视化功能，可以将相似的Term分组，帮助你看到更高层次的功能模块，减少冗余。
  • 查看富集项内的具体基因： 对于每一个显著富集的Term，查看是哪些具体的基因驱动了这种富集（即交集基因）。这些基因是否在你关注的核心基因列表中？它们的具体功能和在你实验中的变化趋势（如表达量变化）是否与富集到的Term的含义一致？
  • 考虑背景基因集的选择： 不正确的背景基因集是导致富集分析结果偏差的常见原因。确保你使用的背景集准确反映了你的实验中能够被检测或被考虑的所有基因。
  • 警惕注释数据库的局限性： 生物学知识是不断更新的，注释数据库可能不完整或存在错误。富集结果是基于现有知识的推断，需要结合实验验证。

可视化方法：

将富集结果可视化可以更直观地展示关键发现：

  • 柱状图或气泡图： 展示最显著或最感兴趣的富集Term。柱子长度或气泡大小可以代表基因数或富集倍数，颜色可以代表p-value或FDR。
  • 富集网络图： 节点代表富集Term，边表示Term之间的基因重叠度或层级关系。这种图有助于发现功能模块和减少冗余。一些工具可以将你的输入基因叠加到网络上。
  • 富集Term-基因热图： 行是显著富集的Term，列是你的输入基因。热图单元格表示某个基因是否属于某个Term。这有助于看到哪些基因同时参与了多个富集通路。

与GSEA (Gene Set Enrichment Analysis) 的区别：

值得一提的是，除了上面主要讨论的基于超几何检验的富集分析（通常称为ORA – Over-Representation Analysis），还有一种常用的方法是 Gene Set Enrichment Analysis (GSEA)。与ORA只需要一个预先确定的基因列表不同，GSEA分析的是
整个基因排序列表（例如，按差异表达倍数从高到低排序）。它检测一个预定义的基因集（而不是单个Term）是否在这个排序列表中表现出非随机的分布趋势（例如，基因集中的基因倾向于排在列表的前面或后面）。GSEA不需要硬性的基因列表阈值，可以检测到列表中微小但一致的变化对通路整体的影响。ORA和GSEA各有优缺点，可以根据数据特点和研究问题选择或结合使用。

总之，基因富集分析是一个强大的工具，能够帮助研究人员快速理解高通量数据背后的生物学意义。通过正确的操作和细致的结果解读，可以从基因列表中挖掘出宝贵的生物学线索，指导后续的深入研究。

基因富集分析