模式植物GO背景基因集制作

一边学习，一边总结，一边分享！

写在前面

关于GO背景基因集文件的制作，我们在很早以前也发过。近两天，自己在分析时候，也是被搞了头疼。想重新制作一份GO背景基因集，进行富集分析。但是结果，也不如意。以及在制作的过程中，也是跟随着以前的教程制作，发现以前整理的教程比较乱，那么借此机会，也进行整理，重新进行记录。

本期教程

点击访问原文： 模式植物GO背景基因集制作

前言

我们在做转录组数据分析时，大多数都会进行功能富集分析，预测目的基因所具有的的功能。富集工具常用到的R语言中clusterProfiler包，里面包含了上千个功能富集的背景数据文件，功能非常强大，目前已经更新到V4.0版本。

在agriGO数据库中下载，

前期准备文件

1. 所需注释的物种基因核酸序列或蛋白序列
2. swissprot数据
3. idmapping.tb.gz文件
4. go-basic.obo文件

数据下载

你可以分别进去对应的网址下载最新的数据库即可。

1. Swissprot数据库：https://ftp.ncbi.nlm.nih.gov/blast/db/FASTA/
   

2. dimapping数据：https://ftp.proteininformationresource.org/databases/idmapping/

   wget -o GO_database/swissprot.gz https://ftp.ncbi.nlm.nih.gov/blast/db/FASTA/swissprot.gz
   wget -o GO_database/go-basic.obo http://purl.obolibrary.org/obo/go/go-basic.obo
   wget -o GO_database/idmapping.tb.gz https://ftp.proteininformationresource.org/databases/idmapping/idmapping.tb.gz

建库及文件提取

1. 使用diamond makedb建库

diamond makedb --in GO_database/swissprot.gz --threads 60 --db GO_database/swissprot

2. GO号与swissprot蛋白ID文件的提取

下载idmapping数据库

https://ftp.proteininformationresource.org/databases/idmapping/idmapping.tb.gz

解压idmapping.tb.gz文件

gunzip idmapping.tb.gz

该文件的第一列为数据库ID,第八列为GO_ID，是我们这一次要与未知的结果进行转换的关键部分。

提取idmapping.tb.gz文件ID~GO.list file

awk -v FS="\t" -v OFS="\t" '{print $1,$8}' idmapping.tb | grep "GO" > idmapping.GO.list

使用Python脚本提取

输出结果

3. GO term文件提取

下载go-basi.obo，GO_Term

http://purl.obolibrary.org/obo/go/go-basic.obo

原始go-basi.obo文件格式

脚本提取

输出结果

---

基因文件序列的准备

下载所需的背景基因序列，核酸序列或蛋白序列度都可以

我们这里以番茄基因组4.0版本为例子。

#!/bin/bash
## download the tomato reference geneome to 4.1 
wget https://solgenomics.net/ftp//tomato_genome/annotation/ITAG4.0_release/ITAG4.0_gene_models.gff

wget https://solgenomics.net/ftp//tomato_genome/assembly/build_4.00/S_lycopersicum_chromosomes.4.00.fa

gffread ITAG4.0_gene_models.gff -T -o ITAG4.0_gene_models.gtf
##
gffread ITAG4.0_gene_models.gff -T -o ITAG4.0_gene_models.gtf
##
gffread -w tomato_4.0.fa -g S_lycopersicum_chromosomes.4.00.fa ITAG4.0_gene_models.gtf

注意：若你不想这用操作，下载蛋白序列即可

1. 比对

diamond blastx -d GO_database/swissprot.dmnd -q ../Tomato_4.0/tomato_4.00.fa -k 1 -e 0.00001 -o tomato.gene.m8

2. 筛选出最佳结果

这步，若你认为有必要进行，那就进行筛选。筛选的参数可以自己调整。

使用*.pl教程

die "perl $0 *.m8 *.m8.out\n" if(@ARGV!=2);
open IN, "$ARGV[0]" or die "can not open file: $ARGV[0]\n";
open OA, ">$ARGV[1]" or die "can not open file: $ARGV[1]\n";

my ($line,@inf,%score_data,%m8_data,%order);
my $n=1;
while($line=<IN>){
        chomp $line;
        @inf=split /\t/,$line;
        if($inf[11]>$score_data{$inf[0]}){
                $score_data{$inf[0]}=$inf[11];
                $m8_data{$inf[0]}=$line;
        }
        else{
                next;
        }       
        $order{$line}=$n++;
}
foreach my $i (sort {$order{$a}<=>$order{$b}} keys %order){
        @inf=split /\t/,$i;
        if(exists $m8_data{$inf[0]}){
                print OA "$m8_data{$inf[0]}\n";
        }
}
close IN;
close OA;

运行

perl m8_best_pick.pl tomato.gene.m8 tomato.gene.m8.best.out

3. 提取最佳结果ID文件

使用Python脚本：

或，你可以使用wak命令提取就可以。

运行

python ../get_blastx_wiss_id.py 02.tomato.gene.best.m8 > 03.tomato.transcript.swissprot.list

结果文件：

4. 合并文件，获得目标基因-GO ID

运行：

python get_go_annotation.py GO_batabase/idmapping.GO.list 03.tomato.transcript.swissprot.list

结果文件：

5. 拆分文件

注意：

我们的基因ID中，没有以mRNA:Solyc00g500003.1.1命名，如Solyc00g500003.1.1.我们需要将split_with_go.py进行适当修改即可。

运行：

python ../split_with_go.py 04.tomato_go.annotation  05.tomato.4.0.Go.list

结果文件：

---

到这里基本结束了，你获得Gene ID与对应GO ID。

富集分析

你可以使用相关的云平台做GO功能富集分析，例如使用基迪奥生信平台的GO功能富集工具

在线网址：OmicShare Tools - 基迪奥生信云工具：

上传背景基因

云平台支持的背景文件的数据格式

<,>

自己进行GO term的提取

下载go-basi.obo，GO_Term

http://purl.obolibrary.org/obo/go/go-basic.obo

原始go-basi.obo文件格式

Python脚本：

运行：

python get_go_term.py go-basic.obo

使用R进行合并

library(clusterProfiler)

## 加载背景基因文件"gene-GO"
go_anno <- read.delim('tomato_go.annotation.new', header = FALSE, stringsAsFactors = FALSE)
names(go_anno) <- c("gene_id", "GO_ID")
head(go_anno)

### 导入GO注释文件
go_class <- read.delim("go_term.list", header = F, stringsAsFactors = F)
names(go_class) <- c("GO_ID", "Description","Ontology")
head(go_class)

## 合并背景基因
go_ann <- merge(go_anno, go_class, by = 'GO_ID', all.x = F)
head(go_ann)

开始富集分析：

# 导入差异基因
gene_list <- read.table("tomato.gene.5000.txt", stringsAsFactors = F)
head(gene_list)
names(gene_list) <- c("gene_id")
gene_select <- gene_list$gene_id

## 富集分析
go_rich <- enricher(gene = gene_select,
                    TERM2GENE = go_ann[c('GO_ID','gene_id')],
                    TERM2NAME = go_ann[c('GO_ID','Description')],
                    pvalueCutoff = 0.05,
                    pAdjustMethod = 'BH',
                    qvalueCutoff = 0.2,
                    maxGSSize = 200) 
head(go_rich)

**柱状图**
barplot(go_rich,
        drop=T,
        showCategory = 10) 

**气泡图**
dotplot(go_rich)

网络图

enrichplot::cnetplot(go_rich,circular = F, colorEdge = T)

---

写在最后，为了方便，我将前面的步骤进行分别写在一个脚本中。只要前期的数据准备好，输入所需的物种序列的序列即可。

算是比较方便。

准备文件GO_database

1. swissprot.gz
2. go-basic.obo
3. idmapping.tb

运行脚本：

sh 01.run.swissprot.sh

结果文件：

1. go_term.list
2. idmapping.GO.list
   

GO注释文件脚本：

sh 02_run.GO_enrichment_file.sh test.fa

• test.fa为注释文件序列

**注意：**若你不更改blast的脚本，这里默认只支持核酸序列。

结果文件：

在结果文件中05_gene.GO.list即最终结果文件。

后面的分析与前面的一致。

---

若你不想制作，我们这里提供完整的GO_database文件夹中的文件。你只需要在此基础上，运行你所需的物种序列即可。

原文访问：[模式植物GO背景基因集制作(https://mp.weixin.qq.com/s/08hAZs24mi_KBOa4QZRLdQ)

往期文章：

1. 复现SCI文章系列专栏

2. 《生信知识库订阅须知》,同步更新，易于搜索与管理。

---

3. 最全WGCNA教程（替换数据即可出全部结果与图形）

• WGCNA分析 | 全流程分析代码 | 代码一

• WGCNA分析 | 全流程分析代码 | 代码二

• WGCNA分析 | 全流程代码分享 | 代码三

5. 转录组分析教程

转录组上游分析教程[零基础]

---

小杜的生信筆記，主要发表或收录生物信息学的教程，以及基于R的分析和可视化（包括数据分析，图形绘制等）；分享感兴趣的文献和学习资料!!