Gene Ontology簡介

Gene Ontology(GO)是一個廣泛使用的術語庫，用於描述和統計基因與蛋白質功能的相互關係。GO把生物學領域中的複雜概念分解成更簡單、更易理解的術語。這些術語被組織成有向無環圖，稱為GO圖，它描述了基因、基因產物及其功能間的分層次結構關係。

一、基本概念

1、術語庫

GO術語庫分為三個主要的分支：分子功能、細胞組分和生物過程。分子功能描述分子水平上一個基因產物的活性，細胞組分描述的是這個基因產物在哪裡發揮作用，生物過程描述的是哪些事件會導致這個基因產物的表達變化。

2、GO圖

GO圖是一個由有向無環圖組成的術語描述的分層結構。三個主要的分支是分子功能，細胞組分和生物過程。每個分支是一個獨立的層級架構，相互獨立，互相連接。它們緊密地關聯在一起，構成了一個基因和蛋白質功能的完整描述。

3、GO ID

GO ID是唯一的GO名稱標識符。每個GO對應一個GO ID。GO ID 由一個「GO」字母后面跟著一個長度為7位的數字組成。

二、基於GO的生物信息分析

1、GO資料庫下載

基於GO分析需要從官方網站下載最新的資料庫文件。官網可以根據需要下載各種格式的數據。例如，可以下載完整的資料庫（GO Annotation：gene_association.goa_ref_human.gz 和go-basic.obo），或者只下載一部分數據(例如 GO ID 和前綴)。

2、基於GO的生物信息學分析流程

3、GO富集分析

GO分析可用於解釋已知基因集中基因的生物學組成。富集分析將一個基因表達數據集與基因的GO注釋信息結合起來，以確定哪些GO術語在該基因表達數據集中顯著富集。

三、使用python解析GO庫數據

1、下載GO文件和注釋文件

go-basic.obo:http://geneontology.org/ontology/go-basic.obo
gene_association.goa_ref_human:http://geneontology.org/gene-associatio
引入包和下載數據

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

從go-basic.obo文件中解析GO屬性

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、解析注釋文件

從gene_association.goa_ref_human.gz文件中解析GO注釋信息

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、結果展示

使用Python Pandas數據分析庫來展示GO分析結果

# 統計GO ID和基因數目
go_id_to_gene_count = {go_id: len(set(gene_ids)) for go_id, gene_ids in gene_id_to_go.items()}

# 構造一個dataframe來展示GO ID、GO Term、命名空間、基因計數等信息
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())})

# 按基因計數排序，並展示前10個結果
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))