TBtools做GO富集，结果文件里的GeneRatio和BgRatio到底怎么算？一次讲清楚
TBtools中GO富集分析结果的GeneRatio与BgRatio计算原理详解
第一次看到TBtools生成的GO富集分析结果文件时，那些HitsGenesCountsInSelectedSet、AllGenesCountsInSelectedSet等字段名称确实让人摸不着头脑。更令人困惑的是，为什么GeneRatio和BgRatio这两个看似简单的比值，会成为判断功能富集程度的关键指标？本文将彻底拆解这些字段的计算逻辑，让你不仅知道如何手动验证这些数值，更能理解其背后的统计学意义。
1. GO富集分析结果文件的关键字段解析
打开TBtools生成的GO富集结果文件（通常是GO.Enrichment.final.txt），你会看到以下核心字段：
HitsGenesCountsInSelectedSet：当前GO条目中，与你的输入基因列表匹配的基因数量。例如，假设你分析了100个差异表达基因，其中有15个基因注释到"细胞周期调控"这个GO条目，那么这个字段值就是15。
AllGenesCountsInSelectedSet：你的输入基因列表中的基因总数。如果你提交了100个基因做富集分析，这个值就是100，无论具体GO条目是什么。
AllGenesCountsInBackground：背景基因组中注释到该GO条目的基因总数。例如，在整个参考基因组中，可能有200个基因注释到"细胞周期调控"这个功能。
表：TBtools GO富集结果文件中关键字段的含义对照
| 字段名称 | 含义 | 示例值 |
|---|---|---|
HitsGenesCountsInSelectedSet | 输入基因列表中属于当前GO条目的基因数 | 15 |
AllGenesCountsInSelectedSet | 输入基因列表的总基因数 | 100 |
AllGenesCountsInBackground | 背景基因组中属于当前GO条目的基因总数 | 200 |
GeneRatio | 输入基因列表中富集到该GO的比例 | 15/100=0.15 |
BgRatio | 背景基因组中该GO条目基因的比例 | 15/200=0.075 |
理解这些字段后，我们来看一个实际案例。假设你的富集分析结果中有这样一行数据：
GO:0007049 Cellular component 细胞周期调控 15 100 200 0.15 0.075 2.3e-05这表示：
- 你的输入基因列表中有15个基因参与"细胞周期调控"
- 共提交了100个基因进行分析
- 参考基因组中共有200个基因注释到这个功能
- GeneRatio为0.15（15/100）
- BgRatio为0.075（15/200）
2. GeneRatio与BgRatio的计算原理
2.1 GeneRatio的统计学意义
GeneRatio的计算公式非常简单：
GeneRatio = HitsGenesCountsInSelectedSet / AllGenesCountsInSelectedSet但这个简单比值背后蕴含着重要的生物学意义。它表示在你的目标基因集合中，有多大比例参与了某个特定功能。较高的GeneRatio意味着该功能在你的基因集中被过度代表(over-represented)，可能具有特殊重要性。
例如，在前面的例子中：
- 细胞周期调控的GeneRatio是0.15（15/100）
- 假设另一个GO条目"DNA修复"的HitsGenesCountsInSelectedSet是5
- 那么它的GeneRatio就是0.05（5/100）
比较这两个GeneRatio（0.15 vs 0.05），可以直观看出"细胞周期调控"在你的基因集中更为富集。
2.2 BgRatio的参考价值
BgRatio的计算公式为：
BgRatio = HitsGenesCountsInSelectedSet / AllGenesCountsInBackground这个比值反映了当前GO条目在背景基因组中的基础比例。它相当于一个"预期值"，用来与GeneRatio（观察值）进行比较。统计学上的富集分析本质上就是在问：观察到的GeneRatio是否显著高于基于背景基因组的预期值（BgRatio）？
继续前面的例子：
- 细胞周期调控的BgRatio是0.075（15/200）
- DNA修复的假设背景基因数是50，那么它的BgRatio是0.1（5/50）
虽然DNA修复的GeneRatio较低（0.05），但它的BgRatio也低（0.1），所以实际富集程度需要结合p值来判断。
提示：单独看GeneRatio或BgRatio都没有绝对意义，必须将两者结合起来评估功能富集的显著性。
3. 手动计算验证TBtools结果
为了确保你真正理解了这些概念，让我们用R代码手动计算GeneRatio和BgRatio，验证TBtools的输出结果。
# 假设这是从TBtools结果文件中读取的数据 go_data <- data.frame( GO_ID = c("GO:0007049", "GO:0006281"), Class = c("Cellular component", "Biological process"), Term = c("细胞周期调控", "DNA修复"), HitsGenesCountsInSelectedSet = c(15, 5), AllGenesCountsInSelectedSet = c(100, 100), AllGenesCountsInBackground = c(200, 50) ) # 计算GeneRatio go_data$GeneRatio <- go_data$HitsGenesCountsInSelectedSet / go_data$AllGenesCountsInSelectedSet # 计算BgRatio go_data$BgRatio <- go_data$HitsGenesCountsInSelectedSet / go_data$AllGenesCountsInBackground # 查看结果 print(go_data[, c("GO_ID", "Term", "GeneRatio", "BgRatio")])运行这段代码后，你会得到与TBtools计算结果完全一致的GeneRatio和BgRatio值。这种手动验证可以帮助你在结果出现异常时快速定位问题。
4. 结果可视化中的Ratio应用
理解了GeneRatio和BgRatio的计算原理后，我们就能更好地解读富集分析的可视化结果。常见的两种图形展示方式：
4.1 气泡图(Bubble Plot)
在气泡图中，通常以GeneRatio为x轴，-log10(p.adj)为颜色，HitsGenesCountsInSelectedSet为气泡大小。这种可视化可以同时展示三个维度的信息：
- GeneRatio（x轴）：富集程度
- p值（颜色）：统计显著性
- 基因数（气泡大小）：富集规模
library(ggplot2) ggplot(go_data) + aes(x = GeneRatio, y = Term, colour = -log10(0.000023), # 假设p值为2.3e-05 size = HitsGenesCountsInSelectedSet) + geom_point() + scale_size(range = c(5, 15)) + theme_minimal() + labs(x = "GeneRatio", y = "GO Terms", color = "-log10(p.adj)", size = "Gene Count")4.2 柱状图(Bar Plot)
柱状图通常展示-log10(p.adj)或富集因子(Enrichment Factor)。富集因子实际上是GeneRatio与BgRatio的比值：
EnrichmentFactor = GeneRatio / BgRatio这个指标能更直观地反映富集程度。例如：
- 细胞周期调控的富集因子 = 0.15 / 0.075 = 2
- DNA修复的富集因子 = 0.05 / 0.1 = 0.5
富集因子大于1表示正富集，小于1表示负富集。
# 计算富集因子 go_data$EnrichmentFactor <- go_data$GeneRatio / go_data$BgRatio ggplot(go_data) + aes(x = Term, y = EnrichmentFactor, fill = Class) + geom_bar(stat = "identity") + coord_flip() + # 横向条形图更易阅读 theme_minimal() + labs(x = "", y = "Enrichment Factor (GeneRatio/BgRatio)")5. 常见问题与注意事项
5.1 背景基因集的选择
BgRatio的计算高度依赖于背景基因集的选择。TBtools通常使用以下两种方式之一：
- 全基因组基因：所有注释到的基因作为背景
- 检测到的基因：仅在当前实验中检测到的基因作为背景
注意：不同的背景选择会导致BgRatio值变化，进而影响富集分析结果的可比性。在比较不同实验时，务必确认使用了相同的背景基因集。
5.2 基因列表的预处理
在计算GeneRatio时，AllGenesCountsInSelectedSet应该是经过适当过滤后的基因数。常见问题包括：
- 是否去除了没有GO注释的基因？
- 是否考虑了基因的多重比对？
- 是否使用了正确的ID转换？
一个实用的检查方法是确保：
max(HitsGenesCountsInSelectedSet) <= AllGenesCountsInSelectedSet5.3 比值解释的局限性
虽然GeneRatio和BgRatio直观易懂，但也有其局限性：
- 小样本偏差：当输入基因数很少时，GeneRatio波动会很大
- 功能大小影响：大功能类别（如代谢过程）天然容易获得显著p值
- 相互依赖性：许多GO条目在基因组成上有重叠
因此，解读结果时应该综合考虑：
- 统计显著性（p值或FDR）
- 富集程度（GeneRatio和EnrichmentFactor）
- 生物学合理性
5.4 TBtools特定参数设置
在使用TBtools进行GO富集分析时，有几个关键参数会影响结果文件中的Ratio计算：
- 背景基因集选择：在"Advanced Options"中可以选择使用全基因组或检测基因作为背景
- ID类型：确保与注释文件使用的ID类型一致（如GeneID、TranscriptID）
- 显著性阈值：p-value或FDR的过滤标准
一个实用的工作流程建议：
- 先使用宽松阈值（如p<0.1）获取完整结果
- 检查GeneRatio和BgRatio的分布情况
- 根据实际需求调整显著性过滤
- 最后进行可视化展示