当前位置：首页 > news >正文

别再手动调图了！用R语言ggplot2一键绘制TBtools GO富集分析结果（附完整代码）

news 2026/6/11 20:09:17

告别手动调图：用R语言ggplot2自动化处理TBtools GO富集分析结果

每次做完GO富集分析，最头疼的就是调整图表样式了吧？从TBtools导出的数据要手动整理、反复调试ggplot2参数，一个图表可能要花上大半天时间。作为过来人，我完全理解这种痛苦——明明分析结果很有价值，却卡在数据可视化这个环节。

今天分享的这套R脚本，能帮你把TBtools的GO富集结果直接转化为发表级的柱状图和气泡图。不需要理解每个参数的含义，只需要替换文件路径，运行代码就能得到专业美观的图表。特别适合需要快速产出论文图表的研究生和生物信息学工作者。

1. 准备工作与环境配置

在开始之前，我们需要确保R环境中安装了必要的包。如果你之前没有使用过ggplot2，现在就是安装的好时机。打开RStudio或你喜欢的R环境，运行以下命令：

# 安装必要包（如果尚未安装） install.packages(c("ggplot2", "dplyr", "RColorBrewer")) # 加载包 library(ggplot2) library(dplyr) library(RColorBrewer)

将TBtools生成的GO富集结果文件（通常是"GO.Enrichment.final.txt"这样的文本文件）放在一个容易找到的目录下。建议为每个项目创建独立的工作目录，避免文件混乱。

提示：TBtools输出的文件默认是制表符分隔的文本文件，确保在导入R时指定sep="\t"参数。

2. 数据导入与预处理

数据预处理是可视化前的关键步骤。我们需要从TBtools输出中提取有意义的信息，并计算必要的统计量。以下代码会自动处理这些步骤：

# 设置工作目录（替换为你的实际路径） setwd("D:/your_project/GO_analysis/") # 导入TBtools输出数据 go_data <- read.table("GO.Enrichment.final.txt", sep = "\t", header = TRUE, stringsAsFactors = FALSE, check.names = FALSE) # 计算GeneRatio和BgRatio go_data <- go_data %>% mutate(GeneRatio = HitsGenesCountsInSelectedSet / AllGenesCountsInSelectedSet, BgRatio = HitsGenesCountsInSelectedSet / AllGenesCountsInBackground, logPval = -log10(`corrected p-value(BH method)`))

数据预处理完成后，我们可以按GO类别（生物过程、细胞组分、分子功能）进行分组和筛选：

# 按GO类别筛选显著结果（p.adj < 0.05） bp_data <- go_data %>% filter(Class == "Biological process", `corrected p-value(BH method)` < 0.05) %>% arrange(`corrected p-value(BH method)`) cc_data <- go_data %>% filter(Class == "Cellular component", `corrected p-value(BH method)` < 0.05) %>% arrange(`corrected p-value(BH method)`) mf_data <- go_data %>% filter(Class == "Molecular function", `corrected p-value(BH method)` < 0.05) %>% arrange(`corrected p-value(BH method)`) # 合并数据并设置因子水平 plot_data <- rbind(bp_data, cc_data, mf_data) %>% mutate(GO_Name = factor(GO_Name, levels = unique(GO_Name)))

3. 一键生成发表级柱状图

柱状图是展示GO富集结果最常用的形式之一。下面的代码会生成一个专业美观的柱状图，自动处理了颜色、标签、图例等细节：

# 自定义颜色方案 go_colors <- c("Biological process" = "#4DAF4A", "Cellular component" = "#377EB8", "Molecular function" = "#E41A1C") # 生成柱状图 go_barplot <- ggplot(plot_data, aes(x = GO_Name, y = logPval, fill = Class)) + geom_bar(stat = "identity", width = 0.7) + scale_fill_manual(values = go_colors) + labs(x = "GO Terms", y = expression(-log[10]("p.adj")), title = "GO Enrichment Analysis") + theme_minimal(base_size = 12) + theme( axis.text.x = element_text(angle = 45, hjust = 1, size = 10), axis.text.y = element_text(size = 10), axis.title = element_text(size = 12, face = "bold"), legend.position = "top", legend.title = element_blank(), panel.grid.major = element_line(color = "grey90"), panel.grid.minor = element_blank(), plot.title = element_text(hjust = 0.5, face = "bold") ) # 保存图表 ggsave("GO_barplot.pdf", go_barplot, width = 10, height = 6, dpi = 300)

这段代码会自动：

为不同GO类别分配不同颜色
调整坐标轴标签角度避免重叠
添加适当的标题和轴标签
优化图例位置和样式
以高分辨率保存PDF文件

4. 创建信息丰富的富集气泡图

气泡图能同时展示多个维度的信息，是GO富集分析的另一经典可视化方式。下面的代码会生成一个专业的气泡图：

# 生成气泡图 go_bubble <- ggplot(plot_data, aes(x = GeneRatio, y = GO_Name, size = HitsGenesCountsInSelectedSet, color = logPval)) + geom_point(alpha = 0.8) + scale_size(range = c(3, 8), name = "Gene Count") + scale_color_gradient(low = "blue", high = "red", name = expression(-log[10]("p.adj"))) + facet_grid(Class ~ ., scales = "free_y", space = "free_y") + labs(x = "Gene Ratio", y = "GO Terms", title = "GO Enrichment Bubble Plot") + theme_bw(base_size = 12) + theme( strip.text.y = element_text(angle = 0, size = 10, face = "bold"), strip.background = element_rect(fill = "grey90"), axis.text.x = element_text(size = 10), axis.text.y = element_text(size = 9), axis.title = element_text(size = 12, face = "bold"), legend.title = element_text(size = 10), legend.text = element_text(size = 9), panel.grid.minor = element_blank(), plot.title = element_text(hjust = 0.5, face = "bold") ) # 保存图表 ggsave("GO_bubble.pdf", go_bubble, width = 10, height = 8, dpi = 300)

这个气泡图的特点包括：

气泡大小代表富集到的基因数量
气泡颜色代表富集显著性(-log10 p.adj)
按GO类别分面展示，便于比较
自动调整y轴空间，优化布局

5. 高级定制与常见问题解决

虽然上面的代码已经可以生成发表级的图表，但你可能还需要根据具体需求进行调整。以下是一些常见场景的解决方案：

5.1 控制显示的GO条目数量

有时结果中GO条目太多，图表会显得拥挤。可以限制每个类别显示的条目数量：

# 每个类别只显示前10个最显著的结果 top_go <- plot_data %>% group_by(Class) %>% top_n(-10, `corrected p-value(BH method)`) %>% ungroup()

5.2 调整图表尺寸适应长GO名称

某些GO术语名称很长，可能导致标签重叠。可以通过调整图表尺寸解决：

# 对于特别长的GO名称，增加图表高度 ggsave("GO_barplot_long_names.pdf", go_barplot, width = 12, height = 10, dpi = 300)

5.3 修改颜色方案

如果不喜欢默认颜色，可以轻松更换：

# 使用RColorBrewer的Set2配色方案 new_colors <- brewer.pal(3, "Set2") names(new_colors) <- c("Biological process", "Cellular component", "Molecular function")

5.4 处理极端p值

有时会遇到极显著的p值，导致y轴范围不合理：

# 限制y轴最大值为10 go_barplot + ylim(0, 10)

6. 完整代码整合与一键执行

为了真正实现"一键出图"，我们可以将所有代码整合到一个R脚本中。创建一个名为"GO_visualization.R"的文件，包含以下内容：

# GO富集结果可视化自动化脚本 # 输入：TBtools生成的GO.Enrichment.final.txt # 输出：柱状图和气泡图PDF文件 # 1. 加载包 library(ggplot2) library(dplyr) library(RColorBrewer) # 2. 设置工作目录和输入文件 setwd("D:/your_project/GO_analysis/") input_file <- "GO.Enrichment.final.txt" # 3. 数据导入与预处理 go_data <- read.table(input_file, sep = "\t", header = TRUE, stringsAsFactors = FALSE, check.names = FALSE) %>% mutate(GeneRatio = HitsGenesCountsInSelectedSet / AllGenesCountsInSelectedSet, BgRatio = HitsGenesCountsInSelectedSet / AllGenesCountsInBackground, logPval = -log10(`corrected p-value(BH method)`)) # 4. 按类别筛选和排序 plot_data <- go_data %>% filter(`corrected p-value(BH method)` < 0.05) %>% group_by(Class) %>% arrange(`corrected p-value(BH method)`) %>% slice_head(n = 15) %>% # 每个类别最多显示15条 ungroup() %>% mutate(GO_Name = factor(GO_Name, levels = unique(GO_Name))) # 5. 定义颜色方案 go_colors <- c("Biological process" = "#4DAF4A", "Cellular component" = "#377EB8", "Molecular function" = "#E41A1C") # 6. 生成柱状图 go_barplot <- ggplot(plot_data, aes(x = GO_Name, y = logPval, fill = Class)) + geom_bar(stat = "identity", width = 0.7) + scale_fill_manual(values = go_colors) + labs(x = "GO Terms", y = expression(-log[10]("p.adj"))) + theme_minimal(base_size = 12) + theme(axis.text.x = element_text(angle = 45, hjust = 1), legend.position = "top", legend.title = element_blank()) # 7. 生成气泡图 go_bubble <- ggplot(plot_data, aes(x = GeneRatio, y = GO_Name, size = HitsGenesCountsInSelectedSet, color = logPval)) + geom_point(alpha = 0.8) + scale_size(range = c(3, 8)) + scale_color_gradient(low = "blue", high = "red") + facet_grid(Class ~ ., scales = "free_y", space = "free_y") + labs(x = "Gene Ratio", y = "GO Terms") + theme_bw() # 8. 保存图表 ggsave("GO_barplot.pdf", go_barplot, width = 10, height = 7) ggsave("GO_bubble.pdf", go_bubble, width = 10, height = 8)

要使用这个脚本，你只需要：