Gene Ontology简介

Gene Ontology(GO)是一个广泛使用的术语库，用于描述和统计基因与蛋白质功能的相互关系。GO把生物学领域中的复杂概念分解成更简单、更易理解的术语。这些术语被组织成有向无环图，称为GO图，它描述了基因、基因产物及其功能间的分层次结构关系。

一、基本概念

1、术语库

GO术语库分为三个主要的分支：分子功能、细胞组分和生物过程。分子功能描述分子水平上一个基因产物的活性，细胞组分描述的是这个基因产物在哪里发挥作用，生物过程描述的是哪些事件会导致这个基因产物的表达变化。

2、GO图

GO图是一个由有向无环图组成的术语描述的分层结构。三个主要的分支是分子功能，细胞组分和生物过程。每个分支是一个独立的层级架构，相互独立，互相连接。它们紧密地关联在一起，构成了一个基因和蛋白质功能的完整描述。

3、GO ID

GO ID是唯一的GO名称标识符。每个GO对应一个GO ID。GO ID 由一个“GO”字母后面跟着一个长度为7位的数字组成。

二、基于GO的生物信息分析

1、GO数据库下载

基于GO分析需要从官方网站下载最新的数据库文件。官网可以根据需要下载各种格式的数据。例如，可以下载完整的数据库（GO Annotation：gene_association.goa_ref_human.gz 和go-basic.obo），或者只下载一部分数据(例如 GO ID 和前缀)。

2、基于GO的生物信息学分析流程

3、GO富集分析

GO分析可用于解释已知基因集中基因的生物学组成。富集分析将一个基因表达数据集与基因的GO注释信息结合起来，以确定哪些GO术语在该基因表达数据集中显著富集。

三、使用python解析GO库数据

1、下载GO文件和注释文件

go-basic.obo:http://geneontology.org/ontology/go-basic.obo
gene_association.goa_ref_human:http://geneontology.org/gene-associatio
引入包和下载数据

import wget

go_obo_url = 'http://geneontology.org/ontology/go-basic.obo'
go_obo_file_name = wget.download(go_obo_url)

go_annotations_url = 'http://geneontology.org/gene-associations/gene_association.goa_ref_human.gz'
go_annotations_file_name = wget.download(go_annotations_url)

2、解析GO文件

从go-basic.obo文件中解析GO属性

from collections import defaultdict

go_id_to_name = {}
go_id_to_namespace = defaultdict(set)

with open(go_obo_file_name) as f:
    current_block = None
    for line in f:
        if line.startswith('[Term]'):
            current_block = 'Term'
        elif line.startswith('[Typ'):
            current_block = 'Type'

        if current_block == 'Term' and line.startswith('id:'):
            go_id = line.split()[-1]
        elif current_block == 'Term' and line.startswith('name:'):
            name = line.split()[-1]
            go_id_to_name[go_id] = name
        elif current_block == 'Term' and line.startswith('namespace:'):
            namespace = line.split()[-1]
            go_id_to_namespace[namespace].add(go_id)

3、解析注释文件

从gene_association.goa_ref_human.gz文件中解析GO注释信息

import gzip
import pandas as pd

gene_id_to_symbol = {}
symbol_to_gene_ids = defaultdict(set)
gene_id_to_go = defaultdict(set)

with gzip.open(go_annotations_file_name) as f:
    for line in f:
        line = line.strip().decode()
        if line.startswith('!'):
            continue
        fields = line.split('\t')
        gene_id = fields[1]
        symbol = fields[2]
        go_id = fields[4]
        aspect = fields[8]
        gene_id_to_symbol[gene_id] = symbol
        symbol_to_gene_ids[symbol].add(gene_id)
        gene_id_to_go[gene_id].add(go_id)

4、结果展示

使用Python Pandas数据分析库来展示GO分析结果

# 统计GO ID和基因数目
go_id_to_gene_count = {go_id: len(set(gene_ids)) for go_id, gene_ids in gene_id_to_go.items()}

# 构造一个dataframe来展示GO ID、GO Term、命名空间、基因计数等信息
go_info_df = pd.DataFrame({'go_term': list(go_id_to_name.values()), 
                           'namespace': [list(go_id_to_namespace['molecular_function'])[0] for i in range(len(go_id_to_name))],
                           'go_id': list(go_id_to_name.keys()), 
                           'gene_count': list(go_id_to_gene_count.values())})

# 按基因计数排序，并展示前10个结果
sorted_go_info_df = go_info_df.sort_values(by='gene_count', ascending=False)
top_10_go_term_df = sorted_go_info_df[:10][['go_id', 'go_term']]
print(top_10_go_term_df.to_string(index=False))