功能富集分析的概念与工具

在组学研究（如转录组学、蛋白质组学和代谢组学）中，研究者通常会获得一个包含成百上千个差异表达基因（Differentially Expressed Genes, DEGs）或蛋白质的列表。然而，单纯的基因列表无法直接揭示生物学意义。功能富集分析（Functional Enrichment Analysis）正是为了解决这一问题而设计的生物信息学方法。

其核心目标是将“基因列表”转化为“生物学功能”或“代谢通路”，通过统计学方法识别出在实验组中显著富集的生物学主题，从而帮助研究者理解样本之间差异的分子机制。

核心原理与统计学基础

功能富集分析的本质是检验一个预定义的基因集（如某个特定的生物学通路）在观察到的差异基因列表中出现的频率，是否显著高于其在背景基因集（所有检测到的基因）中出现的随机频率。

1. 超几何分布与 Fisher 精确检验

大多数富集分析工具采用超几何分布（Hypergeometric Distribution）或 Fisher 精确检验。其逻辑可以类比为“抽球模型”：

• 总体 (N)：背景基因集（所有被检测到的基因）。
• 成功球 (M)：属于某个特定功能通路（如“细胞凋亡”）的所有基因。
• 抽取样本 (n)：研究者筛选出的差异基因列表。
• 样本中的成功球 (k)：差异基因列表中同时属于该通路的基因数量。

如果 $k$ 的数值显著高于随机抽样的预期值，则认为该通路在样本中被“富集”了。

2. P 值与多重假设检验校正

由于一次分析会同时检验成百上千个通路，会产生严重的“多重比较”问题，导致假阳性增加。因此，必须对 P 值进行校正，常用的方法包括：

• Bonferroni 校正：最为严格，容易产生假阴性。
• Benjamini-Hochberg (BH) 法：控制错误发现率（False Discovery Rate, FDR），是目前组学分析的主流选择。

主流分析方法对比：ORA 与 GSEA

根据输入数据的不同，功能富集分析主要分为两种范式：过表达分析（ORA）和基因集富集分析（GSEA）。

核心知识库（Database）

富集分析的效果高度依赖于所使用的注释数据库。目前最权威的知识库包括：

• Gene Ontology (GO)：将基因功能分为三个独立但相关的维度：
  • 生物过程 (Biological Process, BP)：如“细胞周期”、“葡萄糖代谢”。
  • 细胞组分 (Cellular Component, CC)：如“线粒体”、“核糖体”。
  • 分子功能 (Molecular Function, MF)：如“激酶活性”、“DNA 结合”。
• KEGG (Kyoto Encyclopedia of Genes and Genomes)：侧重于分子相互作用网络和代谢通路，将基因映射到具体的生化反应路径图中。
• Reactome / WikiPathways：提供更详细的人类生物学通路描述，具有更高的精细度。

常用工具链

根据技术背景的不同，研究者可以选择基于图形界面的 Web 工具或基于编程的分析包。

1. Web 端工具（适合快速分析）

• DAVID (Database for Annotation, Visualization and Integrated Discovery)：经典工具，支持多种物种，功能全面。
• Metascape：现代化的集成平台，能够自动整合多个数据库并生成高质量的网络图。
• g:Profiler：速度极快，支持物种广泛，适合初步筛选。

2. 编程工具（适合大规模、标准化分析）

• clusterProfiler (R package)：目前生物信息学领域最流行的 R 包。它不仅支持 ORA 和 GSEA，还能将结果与可视化图表（如点图、条形图、网络图）无缝衔接。
• fgsea (R package)：专门用于快速执行 GSEA 算法的工具，计算效率极高。

分析全景工作流

一个标准的功能富集分析流程通常包含以下步骤：

1. 数据预处理：通过差异分析（如 $\text{limma}$ 或 $\text{DESeq2}$）获得差异表达基因列表。
2. ID 转换：将基因的 Symbol 或 Ensembl ID 转换为数据库可识别的 ID（如 Entrez ID）。
3. 选择分析方法：根据研究目的选择 ORA（快速概览）或 GSEA（深度挖掘）。
4. 执行富集计算：选择合适的数据库（GO/KEGG）进行统计检验。
5. 结果过滤：根据 $\text{Adjusted P-value} < 0.05$ 和 $\text{Rich Factor}$ 筛选显著通路。
6. 可视化与解释：绘制气泡图或通路图，结合生物学背景解释结果。