如何理解GO的層級關系在富集分析中的應用

本篇文章給大家分享的是有關如何理解GO的層級關系在富集分析中的應用，小編覺得挺實用的，因此分享給大家學習，希望大家閱讀完這篇文章后可以有所收獲，話不多說，跟著小編一起來看看吧。

對于Gene ontology 而言，目前共有2萬多個Go trems。 做完富集分析后，我們可能會得到幾百甚至幾千個富集到的GO terms, 這樣的一個數據量對于人工一個個檢索而言，仍然是一個艱巨的任務。為了有效的利用GO富集分析的結果，我們勢必需要對結果再次進行過濾。

所有GO的層次結構關系如下圖所示

這樣的結構我們稱之為有向無環圖DAG, 雖然在圖這種數據結構中，節點并沒有嚴格的層級關系，但是由于在GO這張圖中，存在了祖先節點，即最上層的3個節點，其他的節點都可以看做是其子節點，從而引用了樹狀結構中的level的概念，定義子節點到祖先節點的路徑上包含的節點數即為該節點的level，祖先節點的level為1. 示意圖如下

需要注意的是，由于子節點到祖先節點的路徑不止一條，所以一個子節點可能擁有用多個level, 這意味著GO terms的level不是一個值，在使用level對GO Terms進行過濾時就需要注意。

想象一下，對于一個有多個level的GO term, 我們采用哪個值來表征其level, 是取最大值，還是最小值，或者是均值，由于不同取值算法帶來的不確定性，所以采用level對GO過濾會存在一定風險，特別是level很大時。比如我們只選取level > 7的GO terms, 無論是用哪個值作為level, 其過濾的結果和我們預期的都是不符合的。

GO官網對于GO  level也進行了說明，參考以下鏈接

http://www.geneontology.org/faq/how-can-i-calculate-level-go-term

傳統的費舍爾精確檢驗也好，GSEA也罷，這些富集分析的算法都只是為單個GO term進行分析，不會考慮該GO term在整個網狀結果中的層級關系。對于這些分析的結果，采用上述的GO level 進行過濾時，只能是采用較小的level, 在一下R包中，比如goprofiler， 推薦的最小層級是level為2。

采用level對結果過濾效果有限，為了有效篩選結果，出現了Gene Ontolgy network analysis，示意圖如下

根據所有富集到的GO terms, 從整個GO Graph中取出一個子圖subgraph， 圖中有顏色的節點為富集到的GO, 顏色的深淺有P值決定， 節點的大小由degree決定。

根據這個network, 應用圖論的算法可以挖掘出其中重要的GO term，從而實現對GO富集結果的過濾。

以上就是如何理解GO的層級關系在富集分析中的應用，小編相信有部分知識點可能是我們日常工作會見到或用到的。希望你能通過這篇文章學到更多知識。更多詳情敬請關注億速云行業資訊頻道。