Skip to content

分析流程 › RNA-seq › 09 富集分析

基因註解與功能富集 (Annotation & Functional Enrichment) ​

將 gene ID 轉換為 gene symbol、Entrez ID 等可解讀 annotation,並使用 ORA/GSEA 解讀差異表現基因的 pathway 與 biological process。

本節使用模擬資料示範分析流程,結果不代表真實生物學研究發現。

基因註解 ​

RNA-seq 結果常以 Ensembl gene ID 為 row names,但報告與 enrichment 常需要 gene symbol 或 Entrez ID。

IdentifierExampleNotes
Ensembl gene IDENSG00000141510版本 suffix 如 .17 需小心
Ensembl transcript IDENST00000269305transcript-level quantification 主鍵
Entrez ID7157KEGG/clusterProfiler 常用
Gene symbolTP53易讀但可能 duplicate/deprecated

常見問題:

  • Version suffix:ENSG00000141510.17 與 annotation DB 的 ENSG00000141510 不匹配。
  • One-to-many mapping:一個 ID 可能對到多個 symbol 或 Entrez。
  • Deprecated symbol:舊 symbol 可能無法映射。
  • Duplicate symbol:不同 Ensembl genes 可能共享 symbol,heatmap row label 會混淆。
  • Annotation database version:不同版本會造成結果差異。

AnnotationDbi ​

r
library(AnnotationDbi)
library(org.Hs.eg.db)

gene_ids <- sub("\\..*$", "", rownames(count_mat))
symbols <- mapIds(
  org.Hs.eg.db,
  keys = gene_ids,
  keytype = "ENSEMBL",
  column = "SYMBOL",
  multiVals = "first"
)

annotation <- data.frame(
  gene_id = rownames(count_mat),
  ensembl_id_no_version = gene_ids,
  gene_symbol = unname(symbols)
)

biomaRt ​

r
library(biomaRt)

mart <- useEnsembl("genes", dataset = "hsapiens_gene_ensembl")
annot <- getBM(
  attributes = c("ensembl_gene_id", "hgnc_symbol", "entrezgene_id"),
  filters = "ensembl_gene_id",
  values = unique(gene_ids),
  mart = mart
)

提示:對 downstream DE table,保留 unmapped genes 比直接丟掉更安全。可新增 gene_symbol 欄位,但主鍵仍用 stable gene ID。

功能富集分析 (Functional Enrichment) ​

Functional enrichment 把 gene-level 結果轉成 biological process、pathway 或 gene set 層級。

MethodInputQuestion
ORA顯著基因清單 + background universe顯著基因是否在某些 gene set 過度出現?
GSEA全部 genes 的排序分數某 gene set 是否集中在排序頂端或底端?

常見資料庫:

  • GO:BP biological process、CC cellular component、MF molecular function。
  • KEGG:pathway maps。
  • Reactome:curated biological pathways。

重要概念:

ConceptWhy it matters
Gene universeORA 背景應是實際進入差異分析的 genes
Ranking metricGSEA 可用 signed statistic、logFC 或 signed -log10 p
Gene set size太小不穩,太大不具體
Multiple testingpathway 也需要 FDR correction(見 多重檢定)
Redundant pathwaysGO term 彼此重疊,需要 simplify/emapplot 輔助
DirectionalityORA 對上調/下調需分開做;GSEA 可保留方向

注意:ORA 的背景集合不應任意使用全基因組。正確背景通常是「通過 filtering 且實際進入 DE model 的 genes」,否則會因可偵測性偏差而產生錯誤富集。

clusterProfiler ORA ​

本節的 ORA 與 GSEA 程式碼以 clusterProfiler 4.20 在 airway 資料集(DESeq2 結果)上實跑;GSEA 的排序建議用 stat(Wald 統計量)而不只用 logFC,並設定 seed = TRUE 讓置換結果可重現。

r
library(clusterProfiler)
library(org.Hs.eg.db)
library(enrichplot)

sig_symbols <- de$gene_symbol[de$FDR < 0.05 & abs(de$logFC) >= 1]
universe_symbols <- tested_genes$gene_symbol

sig_entrez <- bitr(sig_symbols, fromType = "SYMBOL", toType = "ENTREZID", OrgDb = org.Hs.eg.db)
universe_entrez <- bitr(universe_symbols, fromType = "SYMBOL", toType = "ENTREZID", OrgDb = org.Hs.eg.db)

ego <- enrichGO(
  gene = unique(sig_entrez$ENTREZID),
  universe = unique(universe_entrez$ENTREZID),
  OrgDb = org.Hs.eg.db,
  ont = "BP",
  keyType = "ENTREZID",
  pAdjustMethod = "BH",
  pvalueCutoff = 0.05,
  qvalueCutoff = 0.2,
  minGSSize = 10,
  maxGSSize = 500,
  readable = TRUE
)

dotplot(ego, showCategory = 15)
barplot(ego, showCategory = 15)
cnetplot(ego, showCategory = 5)
emapplot(pairwise_termsim(ego))

KEGG:

r
ekegg <- enrichKEGG(
  gene = unique(sig_entrez$ENTREZID),
  universe = unique(universe_entrez$ENTREZID),
  organism = "hsa",
  pAdjustMethod = "BH"
)

GSEA ​

r
ranked <- de[!is.na(de$logFC) & !is.na(de$gene_symbol), ]
ranked <- ranked[!duplicated(ranked$gene_symbol), ]
map <- bitr(ranked$gene_symbol, fromType = "SYMBOL", toType = "ENTREZID", OrgDb = org.Hs.eg.db)
ranked <- merge(ranked, map, by.x = "gene_symbol", by.y = "SYMBOL")

gene_list <- ranked$logFC
names(gene_list) <- ranked$ENTREZID
gene_list <- sort(gene_list, decreasing = TRUE)

ggo <- gseGO(
  geneList = gene_list,
  OrgDb = org.Hs.eg.db,
  ont = "BP",
  pAdjustMethod = "BH",
  minGSSize = 10,
  maxGSSize = 500
)

GSEA 不需要先切顯著基因,但非常依賴 ranking metric。若使用 logFC,會強調 effect size;若使用 signed statistic,會同時考慮 uncertainty。

GO enrichment dotplot

圖 1. GO enrichment dotplot。x 軸 gene ratio 代表 gene set 中命中的比例,點大小常代表 count,顏色代表 adjusted significance。

GO enrichment barplot

圖 2. GO enrichment barplot。barplot 容易讀,但較難呈現 gene set size 與 overlap,應搭配 dotplot、cnetplot 或 emapplot。

結果解讀:

  • 不要把 enriched term 解讀成所有 genes 都同向改變,除非分析已分上/下調或使用 GSEA direction。
  • redundant GO terms 需合併或挑選代表 term。
  • pathway 結果是 hypothesis generation,不是機制證明。