上一期我們一起學習瞭如何差異表達基因的註釋，接下來的工作就是統計分析和可視化。
對於差異表達分析，最主要的兩種統計分析就是GO的富集分析和KEGG通路的富集分析。
今天我們一起學習GO分析。
GO分析即基因本體論(Gene Onotology)分析，包括GO註釋和GO富集分析。
GO是基因本體聯合會(Gene Ontology Consortium)所建立的數據庫，它由一組預先定義好的術語(GOterm)組成，這組術語對基因和蛋白質功能進行限定和描述，適用於各種物種，並能隨著研究不斷深入而更新。
GO中的每個術語都有唯一的一個GOID，GO的所有術語由有向無環圖(DAG)來相互聯繫，術語之間通常有三種關係:"is_ a"、"part_ of" 和"regulates"。
在R語言中GO分析主要是由Bioconductor的GOstats包實現的。
我們這一期的代碼內容是在上一期的內容的基礎上運行的
#加載所需R包
BiocManager::install("GOstats")
library(GOstats)
#提取HG_U95Av2芯片中所有探針組對應的EntrezID，注意保證uniq
entrezUniverse#提取所有差異表達基因及其對應的EntrezID,注意保證uniq
entrezSelected#設置GO富集分析的所有參數
params#對所有的GOterm根據params參數做超幾何檢驗。
hgOver#生成所有GOterm的檢驗結果報表
bp#同時生成所有GOterm的檢驗結果文件，每個GOterm都有指向官方網站的鏈接，可以獲得其詳細信息
htmlReport(hgOver, file='ALL_ go.html')
#顯示結果的前六行
head(bp)從變量"bp"的結果可以看到每個顯著性富集的GOterm含有六列信息（不包括行號）：
- 第1列是GO term的ID，該ID對應的內容在後面列出，如"GO:0022900"對應後面的"respiratory electron transport chain"；
- 第2列"Pvalue"是超幾何檢驗的P值；
- 第3列"OddsRatio"是超幾何分佈中的比值比；
- 第4列"ExpCount"是根據超幾何分佈，差異表達基因中期望屬於這個GO term的基因數量；
- 第5列"Count"是差異表達基因中實際屬於這個GO term的基因數量；
- 第6列"Size"是總基因中屬於這個GO term的基因數量。
以"GO:0022904"為例，此次分析的總基因數量為8804，差異表達基因數量為113個基因中有75個基因（即"Size"）屬於"GO:0022904"，如果從8804個基因中隨機抽取113個基因，那麼113個基因中期望屬於"GO:0022904"的基因數量應該是2.25 （即"ExpCount"），而實際上是12個（即"Count"），根據這個情況，計算出來的P值應該是1.506871e-10（遠遠小於 0.01），因此可以說差異顯著基因在"GO:0022904"上是顯著富集的。
我們還通過函數htmlReport輸出一個HTML的報告文件，它在前面六列信息的基礎上，多加了一列GO term的描述，並且鏈接到GO的官方網站，便於讀者進一步查看相關信息。
