今天在做富集分析的時候遇到下面的一個報錯：
wrong orderBy parameter; set to default
orderBy = "x"
Error in DOSE::setReadable(kk, OrgDb = "org.Hs.eg.db", keytype = "ENTREZID") :
參數(shù)沒有用(keytype = "ENTREZID")
先理解一下這個參數(shù)沒有用，到底是沒有用這個keytype = "ENTREZID"參數(shù)呢，還是用了這個keytype = "ENTREZID"這個參數(shù)但是用的不對所以沒有用呢？感嘆中國語言的博大精深！然后就犯了一個大家經(jīng)常都會時不時犯的錯誤，就是沒經(jīng)過思索就去問別人。額，我就問了老大。老大解釋這個沒有用是你這個參數(shù)用的不對而不是你沒有用這個參數(shù)。那我問好?一下這個setReadable，得到的是如下圖
但是我依然沒有看出明道，還在將之前的kk=DOSE::setReadable(kk, OrgDb='org.Hs.eg.db',keyType='ENTREZID') 改成kk=DOSE::setReadable(kk, OrgDb='org.Hs.eg.db',keyType='auto')。又錯了！最后還是在老大的提醒下，知道其實就是包被作者更改了，改之前是keytype，改之后是keyType，就是小寫的t變成了大寫的T，頓感的我根本沒看出來，并且實際上auto就是ENTREZID，如果不知道這個的話就還要去查一下背景了。
果然，我把keytype改成keyType后，就不報錯了，不過出現(xiàn)下面的一個wrong的提示，當(dāng)然不用管，一樣出圖，也可以自己理解一下這個提示的意思，wrong的提示如下：
wrong orderBy parameter; set to default
orderBy = "x"
wrong orderBy parameter; set to defaultorderBy = "x"
wrong orderBy parameter; set to defaultorderBy = "x"
Saving 7 x 7 in image
接下來，我是想看看這個我是想知道setReadable這個代碼的意思，畢竟之前總是拿來老大的代碼直接做富集分析了，之前也沒遇見這次的報錯，所以還是想找到之前注釋的代碼，研究一下看看，之前的代碼如下
## KEGG pathway analysis
### 做KEGG數(shù)據(jù)集超幾何分布檢驗分析，重點在結(jié)果的可視化及生物學(xué)意義的理解。
if(T){
### over-representation test
kk.up <- enrichKEGG(gene = gene_up,
organism = 'hsa',
universe = gene_all,
pvalueCutoff = 0.9,
qvalueCutoff =0.9)
head(kk.up)[,1:6]
dotplot(kk.up );ggsave('kk.up.dotplot.png')
kk.down <- enrichKEGG(gene = gene_down,
organism = 'hsa',
universe = gene_all,
pvalueCutoff = 0.9,
qvalueCutoff =0.9)
head(kk.down)[,1:6]
dotplot(kk.down );ggsave('kk.down.dotplot.png')
kk.diff <- enrichKEGG(gene = gene_diff,
organism = 'hsa',
pvalueCutoff = 0.05)
head(kk.diff)[,1:6]
dotplot(kk.diff );ggsave('kk.diff.dotplot.png')
kegg_diff_dt <- as.data.frame(kk.diff)
kegg_down_dt <- as.data.frame(kk.down)
kegg_up_dt <- as.data.frame(kk.up)
down_kegg<-kegg_down_dt[kegg_down_dt$pvalue<0.05,];down_kegg$group=-1
up_kegg<-kegg_up_dt[kegg_up_dt$pvalue<0.05,];up_kegg$group=1
source('functions.R')
g_kegg=kegg_plot(up_kegg,down_kegg)
print(g_kegg)
ggsave(g_kegg,filename = 'kegg_up_down.png')
### GSEA
kk_gse <- gseKEGG(geneList = geneList,
organism = 'hsa',
nPerm = 1000,
minGSSize = 120,
pvalueCutoff = 0.9,
verbose = FALSE)
head(kk_gse)[,1:6]
gseaplot(kk_gse, geneSetID = rownames(kk_gse[1,]))
down_kegg<-kk_gse[kk_gse$pvalue<0.05 & kk_gse$enrichmentScore < 0,];down_kegg$group=-1
up_kegg<-kk_gse[kk_gse$pvalue<0.05 & kk_gse$enrichmentScore > 0,];up_kegg$group=1
g_kegg=kegg_plot(up_kegg,down_kegg)
print(g_kegg)
ggsave(g_kegg,filename = 'kegg_up_down_gsea.png')
}
但是這次有setReadable的代碼，是如下
## KEGG pathway analysis
### 做KEGG數(shù)據(jù)集超幾何分布檢驗分析，重點在結(jié)果的可視化及生物學(xué)意義的理解。
run_kegg <- function(gene_up,gene_down,geneList=F,pro='test'){
gene_up=unique(gene_up)
gene_down=unique(gene_down)
gene_diff=unique(c(gene_up,gene_down))
### over-representation test
# 下面把3個基因集分開做超幾何分布檢驗
# 首先是上調(diào)基因集。
kk.up <- enrichKEGG(gene = gene_up,
organism = 'hsa',
#universe = gene_all,
pvalueCutoff = 0.9,
qvalueCutoff =0.9)
head(kk.up)[,1:6]
kk=kk.up
dotplot(kk)
kk=DOSE::setReadable(kk, OrgDb='org.Hs.eg.db',keyType='ENTREZID')
write.csv(kk@result,paste0(pro,'_kk.up.csv'))
# 首先是下調(diào)基因集。
kk.down <- enrichKEGG(gene = gene_down,
organism = 'hsa',
#universe = gene_all,
pvalueCutoff = 0.9,
qvalueCutoff =0.9)
head(kk.down)[,1:6]
kk=kk.down
dotplot(kk)
kk=DOSE::setReadable(kk, OrgDb='org.Hs.eg.db',keyType='ENTREZID')
write.csv(kk@result,paste0(pro,'_kk.down.csv'))
# 最后是上下調(diào)合并后的基因集。
kk.diff <- enrichKEGG(gene = gene_diff,
organism = 'hsa',
pvalueCutoff = 0.05)
head(kk.diff)[,1:6]
kk=kk.diff
dotplot(kk)
kk=DOSE::setReadable(kk, OrgDb='org.Hs.eg.db',keyType='ENTREZID')
write.csv(kk@result,paste0(pro,'_kk.diff.csv'))
kegg_diff_dt <- as.data.frame(kk.diff)
kegg_down_dt <- as.data.frame(kk.down)
kegg_up_dt <- as.data.frame(kk.up)
down_kegg<-kegg_down_dt[kegg_down_dt$pvalue<0.01,];down_kegg$group=-1
up_kegg<-kegg_up_dt[kegg_up_dt$pvalue<0.01,];up_kegg$group=1
#畫圖設(shè)置, 這個圖很丑，大家可以自行修改。
g_kegg=kegg_plot(up_kegg,down_kegg)
print(g_kegg)
ggsave(g_kegg,filename = paste0(pro,'_kegg_up_down.png') )
if(geneList){
### GSEA
## GSEA算法跟上面的使用差異基因集做超幾何分布檢驗不一樣。
kk_gse <- gseKEGG(geneList = geneList,
organism = 'hsa',
nPerm = 1000,
minGSSize = 20,
pvalueCutoff = 0.9,
verbose = FALSE)
head(kk_gse)[,1:6]
gseaplot(kk_gse, geneSetID = rownames(kk_gse[1,]))
gseaplot(kk_gse, 'hsa04110',title = 'Cell cycle')
kk=DOSE::setReadable(kk_gse, OrgDb='org.Hs.eg.db',keyType='ENTREZID')
tmp=kk@result
write.csv(kk@result,paste0(pro,'_kegg.gsea.csv'))
# 這里找不到顯著下調(diào)的通路，可以選擇調(diào)整閾值，或者其它。
down_kegg<-kk_gse[kk_gse$pvalue<0.05 & kk_gse$enrichmentScore < 0,];down_kegg$group=-1
up_kegg<-kk_gse[kk_gse$pvalue<0.05 & kk_gse$enrichmentScore > 0,];up_kegg$group=1
g_kegg=kegg_plot(up_kegg,down_kegg)
print(g_kegg)
ggsave(g_kegg,filename = paste0(pro,'_kegg_gsea.png'))
#
}
}
上面代碼最主要的代碼是什么呢？沒錯，就是每次注釋以后多了一個kk=DOSE::setReadable(kk, OrgDb='org.Hs.eg.db',keyType='ENTREZID')，還是研究一下這個setReadable函數(shù)。
參考https://yulab-smu.github.io/clusterProfiler-book/chapter14.html#setReadable
定位到
setReadable函數(shù)，如下圖
啥意思呢？看下面兩個截圖就懂了
用setReadable進(jìn)行轉(zhuǎn)換，注意下面的圖哦，這里面其實局勢keyType了！同時geneID與上圖的差別就是，是我們可識別的gene symbol了，而不是上圖中在做富集分析前需要轉(zhuǎn)換的ENTREZID了，就是那些我不認(rèn)識他們，他們也不認(rèn)識我的數(shù)字了！
好！那我就趕緊試試吧，在現(xiàn)在的代碼中，去掉那句setReadable代碼看看，然后再加上看看，得到的富集分析的結(jié)果有什么不同吧！下面上圖是沒有用setReadable函數(shù)進(jìn)行轉(zhuǎn)換為基因名，下圖是用了setReadable函數(shù)轉(zhuǎn)換為基因名。
通過上面嘗試，我突然想起來，我之前寫過的一個小推文，就是之前我也是得到了富集分析后的結(jié)果，然后想要獲得基因名，見：KEGG和GO富集分析獲取通路中的基因，當(dāng)時可是費(fèi)了九牛二虎之力，才搞出來，其實原來一個函數(shù)setReadable就能搞定了！
總結(jié)：多看，多做，多思考，多嘗試，一定會有收獲！重要的是，一定要有個關(guān)鍵時刻能給你指點迷津的好老大！
