Gene Ontology
可分为分子功能（Molecular Function），生物过程（biological process）和细胞组成（cellular component）三个部分。蛋白质或者基因可以通过ID对应或者序列注释的方法找到与之对应的GO号，而GO号可对于到Term，即功能类别或者细胞定位。
根据挑选出的差异基因，计算这些差异基因同GO 分类中某（几）个特定的分支的超几何分布关系，GO 分析会对每个有差异基因存在的GO 返回一个p-value，小的p 值表示差异基因在该GO 中出现了富集。
GO 分析对实验结果有提示的作用，通过差异基因的GO 分析，可以找到富集差异基因的GO分类条目，寻找不同样品的差异基因可能和哪些基因功能的改变有关。
上一篇提到的Pathway指代谢通路，对差异基因进行pathway分析，可以了解实验条件下显著改变的代谢通路，在机制研究中显得尤为重要。
GO分析好比是将基因分门别类放入一个个功能类群的篮子，而pathway则是将基因一个个具体放到代谢网络中的指定位置。
下面我们来总结一下R语言如何做GO分析
1.准备数据，需要导入与基因对应的ENTREIZID的数据框DEG
因此首先你要先准备这个数据框，这里不详细阐述，可自学ID注释部分
首先理解一下即将用到的代码：
#gene: 通路编号
#"org.Hs.eg.db":OrgDb
#ont： One of "MF", "BP", and "CC" subontologies.
#pvalueCutoff:pvalue的最大值
#pAdjustMethod:多重假设检验矫正的方法："holm", "hochberg", "hommel", "bonferroni", "BH", "BY", "fdr", "none"
#universe: 背景基因-所有测序的基因
#qvalueCutoff: qvalue的最大值
#minGSSize: minimal size of genes annotated by Ontology term for testing.
#maxGSSize: maximal size of genes annotated for testing
#readable: TRUE\FALSE:是否将基因ID转换为gene symbol
#pool: If ont=’ALL’, whether pool 3 GO sub-ontologies
#细胞组分
erich.go.CC = enrichGO(gene = DEG$ENTREZID,
OrgDb = org.Hs.eg.db,
keyType = "ENTREZID",
pAdjustMethod = "BH",
ont = "CC",
pvalueCutoff = 0.5,
qvalueCutoff = 0.5,
readable=T)
## 画图
barplot(erich.go.CC)
ggsave("erich.go.CC.png")
#生物过程
erich.go.BP = enrichGO(gene = DEG$ENTREZID,
OrgDb = org.Hs.eg.db,
keyType = "ENTREZID",
ont = "BP",
pvalueCutoff = 0.5,
qvalueCutoff = 0.5,
readable=T)
##分析完成后，作图
barplot(erich.go.BP)
#分子功能：
ego_MF <- enrichGO(gene = DEG$ENTREZID,
OrgDb= org.Hs.eg.db,
keyType = "ENTREZID",
ont = "MF",
pvalueCutoff = 0.5,
qvalueCutoff = 0.5)
barplot(ego_MF)
ALL <- enrichGO(gene=DEG$ENTREZID,
OrgDb=org.Hs.eg.db,
keyType = "ENTREZID",
ont = 'ALL',
pvalueCutoff = 0.5,
pAdjustMethod = "BH",
qvalueCutoff = 0.5,
readable=T)
barplot(ALL)
#BB,CC,MF全部显示出来
#条形图
barplot(ALL, split="ONTOLOGY")+ facet_grid(ONTOLOGY~.,scale="free")
#泡泡图
dotplot(ALL, split="ONTOLOGY")+ facet_grid(ONTOLOGY~.,scale="free")
ALLGO <- as.data.frame(ALL@result)
write.csv(as.data.frame(ALL@result), file="GOALL-ADM.csv",quote=FALSE)
图形解读：
#横坐标是GeneRatio，意思是说输入进去的基因，它每个term（纵坐标）占整体基因的百分之多少
条形的颜色代表P-value，颜色代表的P值越小，这事就越可信。
