![R和Rstudio终端显示语言的更改[Windows]](/aiimages/R%E5%92%8CRstudio%E7%BB%88%E7%AB%AF%E6%98%BE%E7%A4%BA%E8%AF%AD%E8%A8%80%E7%9A%84%E6%9B%B4%E6%94%B9%5BWindows%5D.png)
下面给大家介绍一下如何在Windows下对差异基因进行kegg注释。
一、输入数据准备：
首先要准备的是各比较组（比如CK1比上Treat1）的差异基因列表，一般公司做完的标准分析结果里已经包含这部分内容了，通常在“DEG_Analysis”文件夹里，我们用到的信息是“ 基因ID ”和“ regulated ”（up代表上调，down代表下调）两列，如下图所示的第一列和最后一列：
接下来需要添加一列，将“regulated”里的“up”标记成“red”，“down”标记成“green”，这样后面做出来的kegg注释图里上调基因就会显示为红色，下调基因显示为绿色。具体方法是在第三列插入一个“ if ”函数，当第二列值为“up”时输出“red”，否则输出“green”，参数设置详见下图：
这样C2单元格就会显示为“red”，双击该单元格右下角，这样C列就都按上面的规则填充好了，如下图所示：
二、在作图网站填入数据：
打开网站：https://www.genome.jp/kegg/tool/map_pathway2.html
按照下方设置好参数，并将第一步准备好的Excel表里的第一和第三列数据粘贴进去（注意：Excel表的 第一行 和 第二列 都不用粘贴），点击左下角的“exec”按钮开始运算。根据您提交的基因数量，等待一小段时间结果就出来了：
注释到的代谢通路结果，按数量排序：
点击其中的代谢通路链接，就能够看出该代谢通路中哪些基因上调、哪些基因下调了。
好的，这样差异基因的kegg注释就完成了。掌握之后，便可在几分钟之内做任意差异基因列表的kegg注释图而不用找公司了！
1. 文章越来越难发？是你没发现新思路，基因家族分析发2-4分文章简单快速，学习链接： 基因家族分析实操课程 、 基因家族文献思路解读
2. 转录组数据理解不深入？图表看不懂？点击链接学习深入解读数据结果文件，学习链接： 转录组（有参）结果解读 ； 转录组（无参）结果解读
3. 转录组数据深入挖掘技能-WGCNA，提升你的文章档次，学习链接： WGCNA-加权基因共表达网络分析
4. 转录组数据怎么挖掘？学习链接： 转录组标准分析后的数据挖掘 、 转录组文献解读
5. 微生物16S/ITS/18S分析原理及结果解读 、 OTU网络图绘制 、 cytoscape与网络图绘制课程
6. 生物信息入门到精通必修基础课，学习链接： linux系统使用 、 perl入门到精通 、 perl语言高级 、 R语言画图
7. 医学相关数据挖掘课程，不用做实验也能发文章，学习链接： TCGA-差异基因分析 、 GEO芯片数据挖掘 、 GSEA富集分析课程 、 TCGA临床数据生存分析 、 TCGA-转录因子分析 、 TCGA-ceRNA调控网络分析
8.其他课程链接： 二代测序转录组数据自主分析 、 NCBI数据上传 、 二代测序数据解读 。
我们输入的数据包含 gene ID 和 vector(单样本)部分，这里的 gene ID 是一个通用概念，可以是基因、转录本、酶或蛋白质。这里的 vector 可以是样本的表达量、倍数变化, p-value, 组蛋白修饰数据等可测量的属性。下面我们以一个 RNA-seq 差异分析后的数据为例，来学习 pathview 的用法。
在 KEGG PATHWAY Database 查询,例如查询小鼠的"Cell Cycle"这条通路:
得到通路 ID 为"04110",物种为"mmu"
我们通过指定 gene.data 和 pathway.id 来观察我们数据里的基因在信号通路“Pathways in cancer”上的表达变化:
相比于原始的 KEGG 图，我们可以使用 graphviz 产生一个新的布局，并且输出 PDF 格式的文件:
以下是输出结果图
如果我们想要运行的更快一点，并且不介意输出图片的大小，我们可以分图层，用 same.layer = F 将节点颜色和标签添加到另一个图层中，并且原来的 KEGG 基因标签会变成官方的 gene symbols :
在此基础上，修改 kegg.native = FALSE ，我们就可以得到一个主图与图例分成两个页面的 PDF 文件
在原始的 KEGG 视图中，一个基因节点可能代表具有相似或者冗余功能的基因/蛋白质，我们可以将这种包含多个基因的节点拆分成独立的节点，这样可以更好的从基因层面而不是节点层面来查看数据。同时也可以通过汇总基因数据来可视化节点数据:
为了画面有更好的清晰度和可读性，默认不分裂节点，也不单独标记每个成员基因。
代谢途径中，除了基因节点还有化合物节点，我们可以尝试利用代谢途径( Propanoate metabolism)整合基因数据和化合物数据。这里的化合物数据包括代谢物、药物，对它们的测量和它们的属性。在这里我们仍然使用之前 RNA-seq 差异分析的数据作为 gene data,然后，我们生成模拟化合物或代谢组数据，并加载适当的化合物 ID 类型以进行演示:
结果如下
pathview 可以集成并将多个样本或状态绘制成一个图，我们可以使用多个重复样本模拟化合物数据:
结果如下，可以看到基因节点和化合物节点被分成多份，对应不同的样本:
我们可以根据将化合物数据分为绝对值大于 5 和小于 5 两类，构成一组离散型数据:
结果如下:
Pathview 包中的主函数是 pathview() ，有着各种参数，是我们用到最多的函数。在这篇文章中，我们介绍了 pathview()的比较常见的用法,包括包安装，数据准备，以及其他有用的特性。我们也可以使用 pathxiew 的网页版，地址是 https://pathview.uncc.edu/ 。此外，Pathview 在数据整合方面有很强大的功能，包含 4800 个物种，能处理的数据属性和格式包括 连续/离散数据、矩阵/矢量、单个/多个样本数据 ，包中还具有强大的 ID 转换功能，这些都值得我们进一步探索。
生活很好，有你更好
