富集到的通路太多太繁怎么办？

生信益站，一点就有益！祝友友们天天开心，月月发 CNS~

❝

通路富集分析结果的解释常常因显著受影响的通路的压倒性和冗余列表而变得复杂。在这里，研究人员提出了一个 R 包aPEAR（高级通路富集分析表示），它利用通路基因集之间的相似性，并将它们表示为互连簇的网络。每个簇都被分配了一个有意义的名称，突出了实验中的主要生物学主题。他们的方法可以自动、客观地概述数据，而无需手动且耗时的参数调整。

安装

安装最新稳定版本：

library(devtools)
install_github('ievaKer/aPEAR')

安装最新的测试版：

library(devtools)
install_github('ievaKer/aPEAR@development')

富集分析

让我们首先用clusterProfiler执行简单的基因集富集分析：

# Load all the packages:
library(data.table)
library(ggplot2)
library(dplyr)
library(stringr)
library(clusterProfiler)
library(DOSE)
library(org.Hs.eg.db)
library(aPEAR)
data(geneList)

# Perform enrichment using clusterProfiler
set.seed(42)
enrich <- gseGO(geneList, OrgDb = org.Hs.eg.db, ont = 'CC')

enrichmentNetwork()生成富集网络

enrichmentNetwork是 aPEAR 导出的最重要的函数。它检测相似通路的簇并生成ggplot2可视化结果。它唯一要求您提供的是您的浓缩结果：

set.seed(654824)
enrichmentNetwork(enrich@result)

在内部，enrichmentNetwork 调用两个函数 findPathClusters 和 plotPathClusters，这将在下面更详细地描述。

如果我使用其他方法执行富集分析，而不是 clusterProfiler 怎么办？

aPEAR 目前识别来自 clusterProfiler和gProfileR的输入。但是，如果您有自定义丰富输入，请不要担心！

aPEAR 接受任何类型的富集输入，只要格式正确即可，唯一的要求是每个通路的基因列表已知。您应该格式化数据，以便：

• 它是一个 data.frame。
• 它有一个标题为“Description”的列 - 它将用于标记每个节点并选择最重要的簇的名称。
• 它有一个标题为 pathwayGenes 的列，其中包含每个通路的基因列表 - 它将用于计算通路之间的相似性。它可以是 leading 基因或完整基因列表。ID 类型（Ensembl、基因符号等）并不重要，但所有通路间应该相同。基因应该用“/”分隔。
• 用于为节点着色的列 - 应使用参数指定 colorBy。
• 用于设置节点大小的列 - 应使用参数指定 nodeSize。

例如，您可以将数据格式化为如下形式：

enrichmentData[ 1:5 ]
#>                                 Description         pathwayGenes      NES Size
#> 1:           chromosome, centromeric region 55143/1062/10403/... 2.646268  188
#> 2:                              kinetochore 1062/10403/55355/... 2.630240  130
#> 3: condensed chromosome, centromeric region 1062/10403/55355/... 2.625070  138
#> 4:                       nuclear chromosome 8318/55388/7153/2... 2.582163  175
#> 5:                       chromosomal region 55143/1062/10403/... 2.544742  305

然后，告诉enrichmentNetwork要做什么：

p <- enrichmentNetwork(enrichmentData, colorBy = 'NES', nodeSize = 'Size', verbose = TRUE)
#> Validating parameters...
#> Validating enrichment data...
#> Detected enrichment type custom
#> Calculating pathway similarity using method jaccard
#> Using Markov Cluster Algorithm to detect pathway clusters...
#> Clustering done
#> Using Pagerank algorithm to assign cluster titles...
#> Pagerank scores calculated
#> Creating the enrichment network visualization...
#> Validating theme parameters...
#> Preparing enrichment data for plotting...
#> Detected enrichment type custom
#> Creating the enrichment graph...

如果我执行 ORA 但没有标准化富集评分 (NES)，该怎么办？

好消息：您可以使用 p 值给节点着色！只需指定colorBy列和colorType = 'pval'：

set.seed(348934)
enrichmentNetwork(enrich@result, colorBy = 'pvalue', colorType = 'pval', pCutoff = -5)

findPathClusters()查找通路簇

如果您的目标只是获得冗余通路的簇，那么函数findPathClusters就是正确的选择。它接受data.frame富集结果并返回通路簇和相似性矩阵的列表：

clusters <- findPathClusters(enrich@result, cluster = 'hier', minClusterSize = 6)

clusters$clusters[ 1:5 ]
#>            Pathway     Cluster
#> 1: mitotic spindle microtubule
#> 2:         spindle microtubule
#> 3:         midbody microtubule
#> 4:      centrosome microtubule
#> 5:     microtubule microtubule

pathways <- clusters$clusters[ 1:5, Pathway ]
clusters$similarity[ pathways, pathways ]
#>                 mitotic spindle   spindle   midbody centrosome microtubule
#> mitotic spindle       1.0000000 0.4090909 0.3142857  0.1940299   0.2857143
#> spindle               0.4090909 1.0000000 0.2686567  0.2659574   0.3793103
#> midbody               0.3142857 0.2686567 1.0000000  0.1428571   0.2586207
#> centrosome            0.1940299 0.2659574 0.1428571  1.0000000   0.1630435
#> microtubule           0.2857143 0.3793103 0.2586207  0.1630435   1.0000000

有关可用相似性度量、聚类方法、聚类命名约定和其他可用参数的更多信息，请参阅 ?aPEAR.theme。

plotPathClusters()可视化通路簇

要可视化使用findPathClusters获得的聚类结果，请使用以下函数 plotPathClusters：

set.seed(238923)
plotPathClusters(
  enrichment = enrich@result,
  sim = clusters$similarity,
  clusters = clusters$clusters,
  fontSize = 4,
  outerCutoff = 0.01, # Decrease cutoff between clusters and show some connections
  drawEllipses = TRUE
)

更多参数选项，请参见?aPEAR.theme。

可用性

aPEAR包是用 R 实现的，在 MIT 开源许可证下发布。源代码、文档和使用说明可在https://gitlab.com/vugene/aPEAR以及 CRAN ( https://CRAN.R-project.org/package=aPEAR ) 上获取。

OK，今天的分享到此为止。咱们明天见~

联系站长

❝

对本篇文章有疑问，或者有科研服务需求的友友可以在益站发消息留言，也欢迎各位童鞋扫下面的二维码加入我们的 QQ 交流群。