Gene Ontology：GO 注释如何解释基因功能

Gene Ontology（GO） 是描述基因功能的标准化词汇体系。它解决的问题是：不同研究者用不同措辞描述同一功能，导致无法比较和汇总。GO 提供一套受控词汇和层级结构，让「这个基因做什么」变成可计算的信息。它是功能富集分析的基础设施。

三大本体

本体	回答	例子
Molecular Function（MF）	分子层面做什么	protein kinase activity、ATP binding
Biological Process（BP）	参与什么生物过程	cell cycle、apoptotic process
Cellular Component（CC）	在哪里发挥作用	nucleus、plasma membrane

三者是有向无环图（DAG）而非简单树：一个术语可以有多个父术语。层级越深越具体，「is_a」和「part_of」关系支持向上传播——注释到 protein tyrosine kinase activity 的基因，自动也属于 kinase activity。

证据代码：最该先看的字段

每条 GO 注释都带证据代码，说明这个注释是怎么来的。可靠性差别巨大：

代码	含义	可靠性
EXP / IDA / IPI / IMP / IGI	实验证据（直接测定、突变表型等）	最高
TAS / IC	作者陈述 / 策展人推断	较高
ISS / ISO / ISA	基于序列或结构相似性推断	中
IBA	基于系统发生树推断	中
IEA	电子注释，无人工审核	最低，但占比最大

IEA 注释占 GO 数据的绝大多数。做严肃分析时，应考虑只用实验证据支持的注释，或至少在报告中说明包含了 IEA。

富集分析

from gprofiler import GProfiler

gp = GProfiler(return_dataframe=True)
res = gp.profile(
    organism="hsapiens",
    query=["EGFR", "KRAS", "BRAF", "MAP2K1", "MAPK1", "SOS1", "GRB2"],
    sources=["GO:BP", "GO:MF", "GO:CC"],
    background=background_gene_list,      # ← 关键，见下文
    no_evidences=False,
)
print(res[["source", "name", "p_value", "term_size",
           "query_size", "intersection_size"]].head(15))

富集分析最常犯的四个错误

• 背景基因集选错。这是最严重也最常见的错误。做 RNA-seq 分析时，背景应该是「在该实验中被检测到的所有基因」，而不是全基因组。用全基因组做背景会系统性地富集出「高表达基因常见的功能」，产生大量假阳性。
• 忽略术语冗余：父子术语高度重叠，富集结果里常出现十几个说的是同一件事的术语。应该用 REVIGO 等工具做语义去冗余，或只报告代表性术语。
• 只看 p 值不看效应量：一个包含 3000 个基因的宽泛术语（如 metabolic process）很容易显著，但几乎没有信息量。应同时看 term_size（术语大小）和 fold enrichment，优先关注中等大小（20～500 个基因）且富集倍数高的术语。
• 研究偏倚未考虑：被研究得多的基因注释更完整、更具体，冷门基因可能只有宽泛的 IEA 注释。这会让富集结果偏向热门通路。

ORA 与 GSEA 的区别

• ORA（过表示分析）：先按阈值选出一组基因（如差异表达的），再检验这组基因在某功能上是否过表示。简单直接，但结果对阈值敏感。
• GSEA（基因集富集分析）：用全部基因的排序（如按 log2FC），检验某个基因集是否集中在排序的两端。不需要设阈值，且能捕捉「许多基因都有小幅协同变化」的情况——这在真实生物学中很常见，而 ORA 会完全漏掉。
• 建议：有连续的排序信息时优先用 GSEA（见 263《MSigDB》）；只有基因列表时用 ORA。

延伸资源

• 基因集资源：263《MSigDB》；注释整合：257《InterPro》；
• 通路：260《Reactome》、261《KEGG》。