转录组与衍生候选序列的统计分析及富集分析工具咨询

一、确定目标物质合成相关核心功能的统计分析方法 #

• 超几何检验（ORA分析）：将候选序列的COG/GO/KEGG注释结果，与整个转录组的注释背景做对比，通过超几何检验计算每个功能类别的富集显著性，显著富集（校正后p值<0.05）的功能类别即为核心功能候选。
• 差异表达关联分析：如果两组数据对应不同实验条件（如处理组vs对照组），先通过DESeq2或edgeR分析候选序列的表达量差异，将差异显著的序列与功能注释关联，高差异且富集的功能更可能是核心功能。
• 加权基因共表达网络分析（WGCNA）：基于候选序列的表达量构建共表达模块，找到与目标物质合成表型（若有）高度相关的模块，再对模块内序列做功能富集，锁定核心功能通路。
• 频率显著性检验：统计各功能类别在候选序列中的出现频率，与转录组背景做卡方检验/Fisher精确检验，频率显著偏高的功能即为核心功能。

二、两组数据可开展的其他分析 #

• 差异表达分析：针对两组样本的候选序列，用DESeq2/edgeR筛选差异表达序列，结合注释分析哪些功能通路在两组间存在显著调控差异。
• 序列保守性分析：用MAFFT/ClustalW对候选序列做多序列比对，识别保守结构域；或用MEME挖掘保守motif，分析核心功能的序列保守特征。
• 蛋白互作网络预测：基于Eggnog注释的同源蛋白信息，构建候选序列的互作网络，筛选核心节点，对应功能即为关键调控点。
• 代谢通路重构：将候选序列映射到目标物质的合成通路（如KEGG通路），补全通路中缺失的酶基因，对比两组间通路的完整性差异。
• 同源基因进化分析：将候选序列比对到公共数据库获取同源基因信息，构建进化树，分析目标功能在不同物种中的保守性，辅助验证核心功能。

三、COG超富集分析（Overrepresentation Test）的工具与代码 #

无需依赖基因ID，直接基于Eggnog给出的COG分类信息即可开展分析，以下是可行方案：

1. R语言自定义脚本 #

# 读取候选序列的COG列表和转录组背景的COG列表
candidate_cogs <- read.table("candidate_cogs.txt", header = FALSE, stringsAsFactors = FALSE)[, 1]
background_cogs <- read.table("background_cogs.txt", header = FALSE, stringsAsFactors = FALSE)[, 1]

# 统计每个COG在候选和背景中的出现次数
candidate_counts <- table(candidate_cogs)
background_counts <- table(background_cogs)

# 整合所有COG类别
all_cogs <- unique(c(names(candidate_counts), names(background_counts)))

# 执行超几何检验
enrichment_results <- lapply(all_cogs, function(cog) {
  k <- ifelse(cog %in% names(candidate_counts), candidate_counts[cog], 0)
  m <- ifelse(cog %in% names(background_counts), background_counts[cog], 0)
  n <- length(background_cogs) - m
  N <- length(candidate_cogs)
  # 计算p值（右尾检验）
  p_val <- phyper(k - 1, m, n, N, lower.tail = FALSE)
  data.frame(COG = cog, 候选序列数 = k, 背景序列数 = m, p_value = p_val, stringsAsFactors = FALSE)
})
enrichment_results <- do.call(rbind, enrichment_results)

# FDR校正p值
enrichment_results$padj <- p.adjust(enrichment_results$p_value, method = "fdr")

# 筛选显著富集的COG（校正后p值<0.05）
significant_cogs <- enrichment_results[enrichment_results$padj < 0.05, ]
print(significant_cogs)

2. Python脚本（基于scipy实现） #

from scipy.stats import hypergeom
import pandas as pd
from statsmodels.stats.multitest import multipletests

# 读取COG列表
candidate_cogs = pd.read_csv("candidate_cogs.txt", header=None)[0].tolist()
background_cogs = pd.read_csv("background_cogs.txt", header=None)[0].tolist()

# 统计COG出现次数
candidate_counts = pd.Series(candidate_cogs).value_counts()
background_counts = pd.Series(background_cogs).value_counts()

all_cogs = candidate_counts.index.union(background_counts.index)
results = []

for cog in all_cogs:
    k = candidate_counts.get(cog, 0)
    m = background_counts.get(cog, 0)
    n = len(background_cogs) - m
    N = len(candidate_cogs)
    # 计算超几何检验p值
    p_val = hypergeom.sf(k - 1, m + n, m, N)
    results.append({
        "COG": cog,
        "候选序列数": k,
        "背景序列数": m,
        "p_value": p_val
    })

results_df = pd.DataFrame(results)
# FDR校正
results_df["padj"] = multipletests(results_df["p_value"], method="fdr_bh")[1]

# 筛选显著富集结果
significant_cogs = results_df[results_df["padj"] < 0.05]
print(significant_cogs)

3. 在线工具 #

直接使用Eggnog DB在线平台，上传候选序列和背景序列，选择COG富集分析功能，可直接输出显著富集的COG类别，无需手动处理数据。

内容的提问来源于stack exchange，提问作者se-tima