前面我们简单介绍过ggplot2画KEGG富集柱形图，其实GO富集结果的展示相对于KEGG来说要复杂一点点，因为GO又进一步可以划分成三个类。
BP:biological process,生物学过程。
MF:molecular function,分子功能。
CC:cellular component, 细胞成分。
因此在画图的时候，我们需要将这三类给区分开来。下面分别用了三种不同的方式来展示GO富集分析的结果。
图1:横轴为富集到每个GO条目上面的基因数目
图2: 横轴为GeneRatio
图3:横轴为Fold enrichment（富集倍数）
下面我们结合富集分析的结果表，来分别解释一下这三张图中横坐标的具体含义。
首先来看看这张表中每一列所代表的含义
ONTOLOGY：区分是BP，MF还是CC
ID：具体的GO条目的ID号
Description：GO条目的描述
GeneRatio：这里是一个分数，分子是富集到这个GO条目上的gene的数目，
分母是所有输入的做富集分析的gene的数目，可以是差异表达
分析得到的gene
BgRatio：Background Ratio. 这里也是一个分数，分母是人的所有编码蛋白的
基因中有GO注释的gene的数目，这里是19623个，分子是这19623个
gene中注释到这个GO条目上面的gene的数目
pvalue：富集的p值
p.adjust：校正之后的p值
qvalue：q值
geneID：输入的做富集分析的gene中富集到这个GO条目上面的具体的
gene名字
Count：输入的做富集分析的gene中富集到这个GO条目上面的gene的数目
这张表里面没有提到富集倍数（fold enrichment）
fold enrichment = GeneRatio / BgRatio
那么我们就很容易理解上面三张图的横坐标了，分别为Count，GeneRatio和Fold enrichment。
那么问题来了，既然这张表里面没有Fold enrichment，那么我们如何计算富集倍数呢？
下面小编给大家介绍三种方法来计算Fold enrichment，任君挑选
1.利用eval直接做计算
kegg=read.csv("KEGG-enrich.csv",stringsAsFactors = F)
enrichment_fold=apply(kegg,1,function(x){
GeneRatio=eval(parse(text=x["GeneRatio"]))
BgRatio=eval(parse(text=x["BgRatio"]))
enrichment_fold=round(GeneRatio/BgRatio,2)
enrichment_fold
})
2.利用strsplit按/分割成分子和分母
kegg=read.csv("KEGG-enrich.csv",stringsAsFactors = F)
fenshu2xiaoshu<-function(ratio){
sapply(ratio,function(x) as.numeric(strsplit(x,"/")[[1]][1])/as.numeric(strsplit(x,"/")[[1]][2]))
}
enrichment_fold=fenshu2xiaoshu(kegg$GeneRatio)/fenshu2xiaoshu(kegg$BgRatio)
enrichment_fold=as.numeric(enrichment_fold)
3. 利用gsub替换，得到分子和分母
kegg=read.csv("KEGG-enrich.csv",stringsAsFactors = F)
fenshu2xiaoshu2<-function(ratio){
sapply(ratio,function(x) as.numeric(gsub("/.*$","",x))/as.numeric(gsub("^.*/","",x)))
}
enrichment_fold=fenshu2xiaoshu2(kegg$GeneRatio)/fenshu2xiaoshu2(kegg$BgRatio)
enrichment_fold=as.numeric(enrichment_fold)
参看下面这篇文章获取获取KEGG-enrich.csv
