科研有捷徑，輸入代碼，一鍵獲取科研成果！就是這么省事，來具體看下有多方便！

搜索http://985.so/a9kb查看全部代碼（目前共計50+持續(xù)新增中），也可以點擊右側【目錄】，可以看到更多有趣的代碼

真香提示：文末可以知道如何獲取代碼~?

在生物信息學中，我們經常用到GO功能富集，GO分析通常可以分為分子功能（MF），生物過程（BP），細胞組分（CC）三個部分。

GO功能富集分析是判斷某個具體的GO term是否富集，也就是在這個term上面映射到的基因數量是否得到一個標準，樣本的GO功能分析是基于各自樣本得到的差異基因來進行的，通過GO功能富集分析可以了解該樣本行使的主要生物學功能。

現在有很多方法可以做GO功能富集分析，比如在線工具DAVID，R包GOstats以及接下來我們要介紹的R包GOSim

GOSim這個包應用幾個函數來計算GO term和基于GO注釋的基因之間的相似性，并且可以計算GO功能富集。

在R中通過Bioconductor就可以獲得該包，安裝該包可能需要一段時間，因為它涉及到很多其他的R包例如：annotate，topGO，graph，cluster等。用GOSim進行富集分析，其實是調用了topGO包。

source("http://bioconductor.org/biocLite.R")

biocLite("GOSim")

將包安裝好后，我們來介紹一下怎樣用GOSim做GO功能富集分析，代碼如下：

library("GOSim")##安裝一系列提醒的包

setOntology("BP")#選擇什么組分，可以選擇BP，CC或者MF

smgenes<-as.matrix(read.table("E:/geneid.txt",header=F,sep="\t"));#導入我的基因集合

smgenes<-as.character(smgenes[,1])##一列也得這么取，才能轉換的是里面的元素

gomap <- get("gomap",env=GOSimEnv);

allgenes <- names(gomap);##背景集合--人類

intergene<-intersect(allgenes,smgenes)##背景基因和興趣基因做交集

genenrichment<-GOenrichment(intergene,allgenes,cutoff=0.01,method="Elim");##做富集分析
gene_Function<-list(genenrichment[1]);##基因參與哪些生物學功能write.table(gene_Function, "E:/geneid-BP.txt ", append = TRUE, quote = FALSE,row.names = FALSE,col.names = FALSE);##將富集結果導出，存入geneid-BP文件中

以上為做富集分析的程序，標黃部分為富集分析的函數，其中每個參數的意義如下：

intergene：Entrez gene IDs特征向量

allgenes：Entrez gene IDs特征向量

cutoff：GO富集分析顯著性閾值，通常取0.01或者0.05

method="Elim"：topGO方法使用

其中，導入的基因集合格式如下圖：每一行是一個gene ID

富集結果如下圖所示：