개요 #

생물 정보 분석에서 Funtional analysis는 이미 널리 진행되고 있다. 다만 많이 사용되는 GO term의 복잡성과 일방적이지 않은 방향성으로 인해 그 분석에 혼란을 격는 경우가 많다. 이러한 이유로 GO term의 관계를 그래프로 나타내거나 또는 Enrichment test를 진행함으로 생물데이터가 갖는 의미를 조금더 명확하고 직관적으로 바라 볼 수 있다. 특히나 R의 유용한 Package를 사용하면 이러한 분석을 조금더 쉽게 진행 할 수 있으며 그러한 예로 GOSim package를 소개한다.

Computation of functional similarities #

원하는 GO term의 관련성을 수치화해서 보여주는 package이나 주요 기능 중에는 Enrichment analysis와 GO term의 그래프를 그려주는 기능이 존재한다.

getGOInfo() #

• 사용법 : getGOInfo(genes)
  • gene은 Default 값으로 Entrez Gene IDs를 받으며 DB에서의 해당 유전자의 위치를 알려주나 직관적으로 해석할 수 있는 결과를 보여주지는 않는다.

getTermSim() #

• 사용법 : getTermSim(GOids)

  • GO IDs를 input 값으로 받으며 해당 결과는 넣어준 Term들 간의 유사성을 Matrix로 보여준다

                GO:0007166 GO:0007267 GO:0007584 GO:0007165
    GO:0007166  0.9505312  0.5105747  0.2498911  0.7587689
    GO:0007267  0.5105747  0.9828000  0.0000000  0.5740054 
    GO:0007584  0.2498911  0.0000000  0.9971692  0.2740140 
    GO:0007165  0.7587689  0.5740054  0.2740140  0.8919565 
    GO:0007186  0.7519293  0.4169139  0.2119568  0.5820734
    

getGOGraph() #

• 사용법 : G = getGOGraph(c("GO:0007166","GO:0007267")) G2 = igraph.from.graphNEL(G) plot(G2, vertex.label=V(G2)$name)
• 결과 :

GOenrichment() #

• 사용법 : GOenrichment(Gene IDs, ALL gene IDs) All gene IDs가 갖는 GO term에 대하여 알고싶은 Gene IDS(gene set)이 갖는 GO term의 Enrichment test를 진행한다. 그 결과는 Std output으로 제공되며 Enrichment test 결과의 Table및 해당 Term에 대한 Description 그리고 Scored 된 Term이 갖는 전체 유전자들의 리스트를 출력해 준다.

• 결과 Table

Suggested Pages #

• 0.025 R
• 0.025 CSV
• 0.025 normalization
• 0.013 R (체스)
• 0.013 R (수학)
• 0.006 실수
• More suggestions...