1. 从差异基因到功能注释：为什么我们需要 GO 和 KEGG？
如果你刚做完差异表达分析，手里拿到了一长串几百甚至上千个'差异基因'的列表，是不是有点懵？心里肯定在想：这些基因是干嘛的？它们凑在一起，到底在细胞里搞什么'大项目'？这感觉就像你拿到了一份零件清单，但完全不知道它们能组装成什么机器。这时候，GO（Gene Ontology，基因本体论） 和 KEGG（Kyoto Encyclopedia of Genes and Genomes，京都基因与基因组百科全书） 富集分析，就是你手里的'说明书'和'装配图'。
简单来说，GO 就像一个给基因功能分门别类的'图书馆目录系统'。它从三个维度描述基因：
- 细胞组分（Cellular Component, CC）：这个基因的产物（通常是蛋白质）在细胞的哪个位置干活？是在线粒体里提供能量，还是在细胞核里调控 DNA？
- 分子功能（Molecular Function, MF）：这个基因产物具体能做什么？是能结合 DNA，还是具有酶的催化活性，或者是负责运输物质？
- 生物学过程（Biological Process, BP）：这个基因参与了一个什么样的'连续剧'？比如'细胞周期调控'、'炎症反应'或'葡萄糖代谢'。
而 KEGG 呢，更像是一张张描绘具体'生产线'或'信号通路'的地图。它告诉你，这些差异基因共同参与了哪些已知的、完整的生物学通路。比如'p53 信号通路'、'MAPK 信号通路'或者'癌症中的转录调控异常'。如果说 GO 告诉你零件是'螺丝刀'（功能）和'在工具箱里'（位置），那么 KEGG 就告诉你这些零件是用来组装'一台自行车'（通路）的。
所以，做富集分析的根本目的，是把冷冰冰的基因 ID 列表，转化为有血有肉的生物学故事。你的差异基因如果显著富集在'细胞外基质组织'和'TGF-β信号通路'上，那很可能暗示你的实验条件影响了纤维化或组织重塑过程。这个从数据到生物学洞察的飞跃，正是富集分析的价值所在。接下来，我就手把手带你走一遍完整的实战流程，并分享一些我总结出来的、能让结果更可靠的技巧和避坑指南。
2. 实战第一步：数据准备与基因 ID 转换
拿到差异基因列表后，千万别急着往富集分析工具里扔。第一步的预处理，直接决定了后续分析的成功率。这里最常见的坑就是基因 ID 格式不匹配。
2.1 理解你的输入：基因标识符的'黑话'
差异分析的结果，基因名可能是各种格式：Gene Symbol（如 TP53, ACTB）、Ensembl ID（如 ENSG00000141510）、Entrez ID（如 7157），或者 RefSeq ID（如 NM_000546）。大多数富集分析工具，尤其是 R 包 clusterProfiler，其核心计算需要的是Entrez ID（一种数字型的稳定 ID）。而 GO 注释数据库本身则关联着各种 ID。
我个人的经验是，始终从最稳定的标识符开始转换。Entrez ID 或 Ensembl ID 通常比 Gene Symbol 更稳定，因为后者可能存在同名（一个 Symbol 对应多个基因）或更新（旧的 Symbol 被废止）的问题。在原始文章复现时，经常因为 Symbol 对不上而导致富集结果为空或很奇怪，第一步就要检查这里。
2.2 手把手进行 ID 转换
这里我们用 R 语言和 clusterProfiler 系列包来操作，这是目前最主流、最强大的工具集。假设你有一个差异基因列表，基因名是 Gene Symbol，保存在 DEG_list.txt 文件中。
# 加载必要的 R 包
library(clusterProfiler)
library(org.Hs.eg.db) # 如果你是人源数据，这里是人的数据库。小鼠用 org.Mm.eg.db
librarydplyr
libraryreadr
diff_genes read.table header stringsAsFactors
headdiff_genes
gene_df bitrgeneID diff_genes
fromType
toType
OrgDb org.Hs.eg.db
headgene_df
gene_df