pip安装packages
首先要确保使用的python3以上
##安装软件 git clone https://gitlab.com/evogenlab/GO-Figure.git ##下载以下几个packages pip install numpy pip install matplotlib pip install seaborn pip install scikit-learn pip install adjustText ##检测是否成功使用 python3 gofigure.py -h
重要参数
-rs/--random_seed： 相当于随机种子，图形label有重叠时候可以替换，默认1
-i/-o: 输入、输出
-a,--max_clusters: 要绘制的最大term数量(整数值)。默认= 50。
-j: 输入文件的类型
-n, --ontology: 使用哪个本体:生物过程('bpo')、分子功能('mfo')、细胞成分('cco')，还是所有本体('all')。默认就是all。
-si, --similarity_cutoff：GO terms相似性阈值介于0到1之间. Default = 0.5.
-r, --representatives: 具有作为代表的优先级的GO terms。逗号分割，如 'GO:0000001,GO:0000002
-v, --max_pvalue: 最大的p value
-so, --sort_by: 基于哪列的值进行排序
nc, --name_changes： 更改名字
.......(还有挺多有用参数，自行了解)
输入数据类型
具有以下4种类型
1. Standard input
标准的输入数据只含有两列信息：GO term 和 富集的Pvalue
2. Standard-plus input
我们也可以增添一列显著term中包含的gene数量
3. TopGO input
使用TopGO富集结果，带上行号共有以下7列数据
4. GOStats input
使用GOStats包的输出结果，包含以下7列信息，开头的几行信息可以删除。
绘图
这里我们拿自带的standard-plus_example_input.tsv文件举例进行分析
基础图形
python3 gofigure.py -i example_data/standard-plus_example_input.tsv -j standard-plus -o result ##
这里可以通过-si 参数设置阈值 , -v 设置显著性阈值
python3 gofigure.py -i example_data/standard-plus_example_input.tsv -j standard-plus -si 0.8 -v 0.00001
改变色彩
python3 gofigure.py -i example_data/standard-plus_example_input.tsv -j standard-plus -p viridis -o result
添加标签及箭头
python3 gofigure.py -i example_data/standard-plus_example_input.tsv -j standard-plus -u go-arrows -o result
更多参数及使用例子详见文档Waterhouse Lab / GO-Figure · GitLab学习。
注：更新GO-Figure！
开头的地方提到了可基于最新的GO数据库内容进行富集，就是因为该软件进行分析基于的数据主要来自于以下两个文件:
- go.obo (http://geneontology.org/docs/download-ontology/)
- goa_uniprot_all.gaf.gz (https://ftp.ebi.ac.uk/pub/databases/GO/goa/UNIPROT/) 解压后100G~左右
这两个文件是持续更新的，因此我们使用前下载这两个最新的文件，就可以富集到更加可靠的结果。
下载完毕后，我们还需要使用软件自带的脚本对这两个文件进行解析:
python3 scripts/relations.py data/go.obo > data/relations.tsv python3 scripts/ics.py data/relations.tab goa_uniprot_all.gaf data/go.obo > data/ic.tab
至此，拿到relations.tsv和ic.tab两个文件后，我们就可以使用上述的命令行进行富集分析了~自己体验下吧！
