GSEAmining|来看看你的GSEA结果是不是需要瘦身啦！~

1写在前面

最近真是累的不行&＃xff0c;今天抽空写一下新的教程&＃xff0c;关于人人都会做的GSEA&＃xff08;Gene Set Enrichment Analysis&＃xff09;。

但有时候我们做完GSEA后结果实在太多&＃xff0c;无法确定其中重要的生物学意义&＃xff0c;难以解释。&＃x1f928;

本期我们介绍一下GSEAmining包&＃xff0c;对我们的GSEA结果做一个瘦身吧&＃xff0c;基本原理是&＃xff1a;&＃x1f447;

1️⃣ 对参与类似生物过程的基因集应该有共同的基因。
2️⃣ 对拥有一定数量的共同基因的相似基因集进行功能聚类。

2用到的包

rm(list &＃61; ls())
# if (!requireNamespace("BiocManager", quietly &＃61; TRUE))
# install.packages("BiocManager")
#
# BiocManager::install("GSEAmining")

library(dplyr)
library(GSEAmining)
library(clusterProfiler)
library(msigdbr)
library(org.Hs.eg.db)


3示例数据

这里我们从DOSE包里提取一些基因&＃xff0c;作为我们的genelist&＃xff0c;假装是我们的输入数据。&＃x1f619;

data(geneList, package&＃61;"DOSE")
gene <- names(geneList)[abs(geneList) > 2]

# Entrez gene ID
head(gene)


4整理gmt

这里我们用msigdbr包提取一下hallmark&＃xff0c;GO和KEGG的基因集。&＃x1f912;

再也不用去下载gmt文件了&＃xff0c;真香&＃xff01;~&＃x1f602;

h_t2g <- msigdbr(species &＃61; "Homo sapiens", category &＃61; "H") %>%
dplyr::select(gs_name, entrez_gene)

C2_t2g <- msigdbr(species &＃61; "Homo sapiens", category &＃61; "C2", subcategory &＃61; "CP:KEGG") %>%
dplyr::select(gs_name, entrez_gene)

C5_t2g <- msigdbr(species &＃61; "Homo sapiens", category &＃61; "C5") %>%
dplyr::select(gs_name, entrez_gene)

all_t2g <- rbind(h_t2g, C2_t2g, C5_t2g)

head(all_t2g)


5GSEA分析

5.1 开始GSEA

GSEA.res <- GSEA(geneList, TERM2GENE &＃61; all_t2g, pvalueCutoff &＃61; 0.1, eps &＃61; 0)


5.2 将ID转为SYMBOL

GSEA.res <- setReadable(GSEA.res, keyType &＃61; "ENTREZID", OrgDb &＃61; "org.Hs.eg.db")

dat <- GSEA.res&＃64;result


5.3 过滤一下

这里我们设个阈值&＃xff0c;过滤一下&＃xff0c;实在是太多了。&＃x1f602;

gs.filt <- gm_filter(dat,
p.adj &＃61; 0.05,
neg_NES &＃61; 2.5,
pos_NES &＃61; 2.5)


6聚类

6.1 开始聚类

这里我们进行一下hierarchical clustering&＃xff0c;对富集结果进行一下瘦身。&＃x1f928;

补充一下&＃xff0c;这一步是基于core_enrichment的。&＃x1f637;

gs.cl <- gm_clust(gs.filt)
gs.cl


6.2 初步可视化

画个cluster dendrogram吧&＃xff0c; 红色 ➡️ positive, 蓝色 ➡️ negative。&＃x1f619;

gm_dendplot(gs.filt,
gs.cl)


6.3 改个颜色

gm_dendplot(gs.filt,
gs.cl,
col_pos &＃61; &＃39;orange&＃39;,
col_neg &＃61; &＃39;black&＃39;,
rect &＃61; T,
dend_len &＃61; 20,
rect_len &＃61; 1)


7分组评估富集结果

这里我们按cluster对各个cluster进行一下深入分析&＃xff0c;看看那个term才是最重要的。&＃x1f929;

7.1 分组分析

这里我们有4个cluster&＃xff0c;看看都是什么term吧。&＃x1f601;
我们用词云的方式展示下结果&＃xff0c;越大越有意义。&＃x1f9d0;

gm_enrichterms(gs.filt, gs.cl)


7.2 不分组分析

当然你也可以不按cluster分析&＃xff0c;全部都放在一起。&＃x1f602;

gm_enrichterms(gs.filt,
gs.cl,
clust &＃61; F,
col_pos &＃61; &＃39;chocolate3&＃39;,
col_neg &＃61; &＃39;skyblue3&＃39;)


8分组评估具体基因

对于找到的有意义的基因集&＃xff0c;我们也可以看下哪个基因对其贡献最大&＃xff0c;在其中起到最重要的作用。&＃x1f60f;

gm_enrichcores(gs.filt, gs.cl,
col_pos &＃61; &＃39;chocolate3&＃39;,
col_neg &＃61; &＃39;skyblue3&＃39;)


9如何引用

&＃x1f4cd;
Arqués O (2022). GSEAmining: Make Biological Sense of Gene Set Enrichment Analysis Outputs. R package version 1.8.0.

点个在看吧各位~ ✐.ɴɪᴄᴇ ᴅᴀʏ 〰