富集分析气泡图

这种可视化方法在GO富集分析中是相当科学和常用的。

1. 横坐标：-log10(p.adjust)
   • 科学性：★★★★★
   • 原因：
     • 直接反映统计学显著性
     • 对p值进行对数转换，使极小的p值能直观展示
     • 矫正后的p值（p.adjust）可以有效控制多重检验问题
2. 气泡大小：Count
   • 科学性：★★★★☆
   • 优点：
     • 直接展示注释到该功能的基因数量
     • 反映功能的覆盖范围
3. 颜色深浅：GeneRatio
   • 科学性：★★★★☆
   • 优点：
     • 展示基因注释的比例
     • 补充Count无法直接体现的信息
     • 颜色梯度可以直观表示基因富集的程度

这种可视化方法的科学标准体现在：

• 多维度信息整合
• 统计学显著性清晰可见
• 功能覆盖范围直观展示
• 基因注释比例直观呈现

推荐的图例设计：

• 横轴：-log10(p.adjust)
• 纵轴：GO Term描述（翻转坐标）
• 气泡大小：基因数(Count)
• 颜色深浅：基因比率(GeneRatio)

这种可视化方法在生物信息学顶级期刊中非常常见，如Nature系列、Genome Research等。

library(ggplot2)
library(dplyr)
library(tidyr)

# 读取数据
go3 = read.csv("tmp.csv", header = TRUE, sep = ",")

# 提取GeneRatio的数值部分
go3$GeneRatioNumeric <- as.numeric(sapply(go3$GeneRatio, function(x) {
  parts <- strsplit(as.character(x), "/")[[1]]
  as.numeric(parts[1]) / as.numeric(parts[2])
}))

# 提取前20个最显著的结果（已经按p值排序）
top_results <- head(go3, 20)

# 定义形状映射
ontology_shapes <- c("BP" = 16,   # 圆形
                     "CC" = 17,   # 三角形
                     "MF" = 15)   # 正方形

# 直接生成PNG图片
png("tmp.png", width=1800, height=900, res=120, bg="white")

# 创建气泡图
ggplot(top_results, aes(x=reorder(Description, -log10(p.adjust)), 
                        y=-log10(p.adjust), 
                        size=Count, 
                        fill=GeneRatioNumeric,
                        shape=ONTOLOGY)) +
  geom_point(alpha=0.7, color="black") +  # 气泡
  coord_flip() +  # 翻转坐标轴使描述文本易于阅读
  scale_shape_manual(values = ontology_shapes,
                     name="Ontology",
                     labels=c(
                       "BP"="Biological Process", 
                       "CC"="Cellular Component", 
                       "MF"="Molecular Function"
                     )) +
  scale_size(range = c(3, 15), name="Gene Count") + # 控制气泡大小
  scale_fill_gradient(low = "lightblue", high = "darkblue", name = "Gene Ratio") +
  theme_bw() +  # 使用清爽的白色背景
  theme(
    text = element_text(size=14),
    axis.title.y = element_blank(), # 移除Y轴标题（实际是翻转后的X轴）
    axis.text.y = element_text(size=12),
    axis.title.x = element_text(size=14, face="bold"),
    legend.title = element_text(size=14),
    legend.text = element_text(size=12),
    plot.title = element_text(size=16, hjust=0.5)
  ) +
  labs(
    title = "GO Enrichment Analysis",
    x = NULL,
    y = "-log10(adjusted p-value)"
  )

dev.off()

# 打印额外信息
cat("Visualization details:\n")
cat("- X-axis: -log10(adjusted p-value)\n")
cat("- Bubble size: Gene Count\n")
cat("- Bubble fill: Gene Ratio\n")
cat("- Bubble shape: Ontology type\n")