做RNA-seq转录组分析，前两步通常是拿fastq比对到参考基因组，得到基因表达矩阵，再用DESeq2或者edgeR做差异表达分析，筛出一批p值小于0.05、log2FC大于阈值的基因。到这一步，很多人会捧着一堆差异基因列表问：接下来怎么办？GO和KEGG富集分析，就是把这些基因映射到功能注释和通路数据库里，做一轮统计检验，回答"这些差异基因集中在哪些生物学过程、哪些信号通路中"。搞清楚这一步，你的结论才能真正从"这几个基因表达量变了"升级到"这几个通路被激活了"。这篇文章我把富集分析的原理、工具选型、完整代码、可视化技巧和实际踩过的坑一次讲清楚。

1. 富集分析到底在解决什么问题

1.1 从"哪些基因变了"到"哪些功能活了"

差异表达分析给你的是一串基因名和对应的log2FC、p值。单独盯着某一个基因看，你会很快迷失：500个差异基因里每个都升或降，单独看谁都像很重要，但你要怎么把它们组织成结论？审稿人问你"你的处理组到底影响了哪些生物学功能"，你不能回答"影响了500个基因"，你要回答"影响了细胞周期和DNA修复"。

富集分析干的就是这件事。它本质上是个统计学检验：假设你手里有200个显著性差异基因，其中30个注释到了"细胞周期"这个GO条目上，而整个基因组里总共1000个基因里面只有50个注释到"细胞周期"。那你就需要判断，30/200明显高于50/1000吗？高出的程度是不是随机就能碰到的？这个判断过程，就是富集检验。

做这个分析之前，你手里必须有三样东西：高质量的差异基因列表、对应的物种注释数据库、一套合理的统计阈值。缺哪一个都会让结果失真，后面我会逐个展开。

1.2 差异基因列表、背景基因与输入准备

先聊聊最容易被忽略的背景基因。所谓背景基因，就是你做富集检验时的"分母"。很多人图省事，直接把所有差异基因往里一丢，不设置背景，结果经常富集出一堆上学学过的经典通路，看起来特别漂亮，但仔细一想，几乎每个通路都被富集了，毫无区分度。

正确的背景基因应该是：你这次实验中所有检测到了表达量的基因，也就是所有进入差异表达分析的基因。比如你用DESeq2做了两组的比较，总共有16000个基因进入了检验，其中300个被判定为差异基因，那背景就是16000，而不是全基因组的20000多个。理由很直白：你的检测体系决定了你能看到哪些基因，如果某个基因在所有人里都没有表达、压根进不了定量矩阵，那本来就不可能出现在差异列表里，拿它做分母没有意义。

我见过很多线上教程教大家直接不传background参数，导致结果和真实生物学背景差得很远。后面实操部分我会给出明确的背景基因构造方法，这一步做好了，后面的结果才是可信的。

2. GO和KEGG这两套体系分别是什么

2.1 GO：三层结构的标准功能词典

GO（Gene Ontology）是一个标准化的基因功能注释体系。它把基因功能分成三个维度：Biological Process（生物学过程，BP）、Cellular Component（细胞组分，CC）、Molecular Function（分子功能，MF）。BP回答"这个基因参与了什么过程"，比如DNA修复、炎症反应；CC回答"这个基因在细胞的哪个位置干活"，比如线粒体基质、核小体；MF回答"这个基因在分子层面做什么"，比如ATP结合、转录因子活性。

三个维度不是平级的，而是从不同角度描述同一个基因。一个基因可以同时注释到BP的"细胞分裂"、CC的"纺锤体"和MF的"微管结合"，三个描述合在一起才是完整的功能画像。做GO富集时可以分成三个ont分别分析，也可以让软件一起跑。实操中BP的结果最多也最有解释价值，CC和MF通常作为辅助信息。

GO的注释是逐层细化的，从很宽泛的条目如"代谢过程"到很具体的条目如"线粒体电子传递NADH到泛醌"。真正做富集的时候要注意一个现象：如果显示的结果全是"代谢过程""生物调节"这种顶层大条目，那基本是筛选阈值放得太宽了，后面我会讲怎么收紧。

2.2 KEGG：从基因到通路网络

KEGG（Kyoto Encyclopedia of Genes and Genomes）是另一套体系，核心是KEGG Pathway数据库。它不像GO那样描述单个基因的属性，而是把基因放进代谢和信号转导的网络里，告诉你这些基因共同参与了一条通路。

比如你富集到"p53 signaling pathway"，KEGG会展示这张通路图，里面有ATM、MDM2、CDKN1A、BAX等基因，有激活和抑制关系，有箭头指向下游效应。这种网络信息是GO给不了的，也是很多科研人员做机制研究时最需要的证据之一。

KEGG的物种覆盖是有差异的。人类（hsa）、小鼠（mmu）、大鼠（rno）这些模式物种注释非常完整，但一些非模式物种可能只有很少的通路注释，甚至根本没有收录。做之前先确认你的物种在不在KEGG数据库里，不然结果里只有一个空表格，白白浪费一天时间。

2.3 富集检验背后的统计模型：超几何分布与Fisher精确检验

富集分析的核心统计检验是超几何分布检验，也叫Fisher精确检验。它的逻辑可以这样理解：你把差异基因看作从全基因组基因池里随机抽出来的一批样本，池子里有一些带"细胞周期"标签的球，你抽出来的球里带这个标签的数量明显偏多，说明抽签过程可能不是随机的，这个通路就是被富集了。

具体计算时，需要构造一个四格表。以某个通路为例：A是差异基因里注释到该通路的数目，B是差异基因里没注释到该通路的数目，C是背景基因里注释到该通路的数目，D是背景基因里没注释到该通路的数目。Fisher精确检验会计算在背景基因的注释比例下，抽到目前这种"差异基因中该通路占比"的概率。如果这个概率很小，就说明差异基因在该通路上的出现是显著偏多的。

p值算出来后还不能直接用，因为你会拿同一个差异列表去检验几百上千条通路，每一轮有5%的假阳性概率，几千轮下来假阳性会堆得很高。所以必须做多重检验校正。最常见的做法是BH校正（Benjamini-Hochberg方法），控制False Discovery Rate（FDR），体现在结果里就是p.adjust或padj列。clusterProfiler默认的qvalueCutoff参数就是在这个基础上再算一个qvalue。我看到很多新手只看p值不看padj，结果被一波假阳性坑惨，这个问题后面还会点名说。

3. 工具选型：R包还是在线平台

3.1 为什么推荐clusterProfiler

目前做GO和KEGG富集，R语言里最主流的工具就是clusterProfiler，Y叔开发的，Bioconductor生态里下载量常年靠前。我推荐它不只是因为它热，而是它有几个实打实的优势。

第一，它自带ID转换和物种注释包接口，org.Hs.eg.db、org.Mm.eg.db这些一挂上去就能用。第二，富集结果可以无缝衔接可视化，dotplot、barplot、cnetplot、emapplot这些函数都是配套的，不需要把结果导出来再跑到另一个软件里画图。第三，它的simplify函数可以做GO条目的去冗余，这个功能对GO结果里大量相似条目扎堆的情况特别有用。

当然它也有门槛。你得会用R、懂一点数据框操作，还得装对版本。Bioconductor的安装规则和CRAN不同，很多人卡在这一步，第一次用应该用BiocManager，具体命令下面实操部分写清楚。

3.2 在线工具DAVID、Metascape、Enrichr适合什么场景

有些朋友不熟R，或者只是快速验证一下结论，在线平台会更顺手。DAVID（Database for Annotation, Visualization and Integrated Discovery）是老牌子，适合一次性的小规模分析，输入基因列表、选择物种和ID类型，点几下就出结果。Metascape整合GO、KEGG和多种通路数据库，输出图表颜值高，适合拼接图用。Enrichr则更偏向快速查询和交互，数据集丰富，适合做基因列表的多数据库交叉验证，支持"基因列表VS参考集"的快速富集。

这些在线工具的共同问题是：数据更新不如R包及时、自定义背景基因能力有限、批量处理不方便。你拿100个基因贴进去没问题，但你要是做10个样本对比，每组都跑一遍在线工具，点鼠标点到怀疑人生。所以我的习惯是：正式分析用clusterProfiler，结果风格统一、参数可复制；只在探索阶段或给同事快速验证时才用在线工具。

3.3 物种注释包与基因ID转换

clusterProfiler做GO分析时，需要用到对应物种的OrgDb注释包。人类的org.Hs.eg.db、小鼠的org.Mm.eg.db、大鼠的org.Rn.eg.db、斑马鱼的org.Dr.eg.db，这些都是Bioconductor上的成熟注释包，内含基因ID、GO注释、KEGG注释的对应关系。

超级常见的坑是基因ID类型不一致。你差异表达分析出来的是symbol，比如TP53、BRCA1，但富集分析内部很多函数默认用Entrez ID，直接丢进去会提示匹配不到基因。正确流程是用bitr函数做转换，把symbol转成ENTREZID，再喂给富集函数。转换时有一个小经验：转换率低于70%说明你的输入ID本身就有一批是废弃的，得回头检查基因命名版本。

还有一个提示：现在由于许多个体态条件和KEGG数据库接口调整，clusterProfiler里enrichKEGG的keyType参数建议显式指定为"ncbi-geneid"或"kegg"，不要用旧教程里的"kegg_geneid"。我在5.2节还会专门讲这个报错。

4. 实操全流程：从差异基因到富集结果

4.1 环境准备与数据格式要求

先检查R版本，建议用4.2以上，并安装BiocManager。然后用以下命令安装所需包：

if (!requireNamespace("BiocManager", quietly = TRUE)) { install.packages("BiocManager") } BiocManager::install(c("clusterProfiler", "org.Hs.eg.db", "DOSE", "enrichplot"))

安装完成后，你手上需要有一个差异基因表格。最少两列：基因symbol列、log2FC和padj列。这里我习惯从DESeq2的results里读进来，代码如下：

library(DESeq2) res <- results(dds, contrast = c("condition", "treatment", "control")) res_df <- as.data.frame(res) res_df$gene <- rownames(res_df) # 筛选差异基因：padj < 0.05 且 |log2FoldChange| > 1 deg <- subset(res_df, padj < 0.05 & abs(log2FoldChange) > 1)

如果没有DESeq2的完整结果，只有一份差异基因列表Excel，那也够用，只要保证基因ID格式统一即可。我建议把差异基因存成CSV，包含symbol列。背景基因建议直接取res_df里所有非NA的基因，也就是所有被检测过的基因。

4.2 GO富集完整代码与参数说明

先做symbol到Entrez ID的转换：

library(clusterProfiler) library(org.Hs.eg.db) deg_entrez <- bitr(deg$gene, fromType = "SYMBOL", toType = "ENTREZID", OrgDb = org.Hs.eg.db) bg_entrez <- bitr(res_df$gene, fromType = "SYMBOL", toType = "ENTREZID", OrgDb = org.Hs.eg.db)

然后执行GO富集：

ego <- enrichGO(gene = deg_entrez$ENTREZID, universe = bg_entrez$ENTREZID, OrgDb = org.Hs.eg.db, keyType = "ENTREZID", ont = "ALL", pAdjustMethod = "BH", pvalueCutoff = 0.05, qvalueCutoff = 0.2, readable = TRUE)

这里几个参数逐个说一下。

• universe是背景基因的Entrez ID向量，很多人为空，这里我建议务必传入。
• ont = "ALL"会一次性输出BP、CC、MF三个维度的结果；如果只想跑BP，可以改成ont = "BP"。
• pvalueCutoff = 0.05筛掉未通过的条目，qvalueCutoff = 0.2是qvalue的阈值，后者比p值校正更严格，实际看结果时我主要盯qvalue。
• readable = TRUE会在结果里加一列symbol，方便直接看是哪些基因富集到该条目。

跑完后再看结果前几行，用head(as.data.frame(ego))，结果表里有几列核心指标，包括ID、Description、GeneRatio、BgRatio、pvalue、p.adjust、qvalue、geneID、Count。GeneRatio是差异基因中落在该条目的比例，BgRatio是背景基因中落在该条目的比例，Count是实际数量。真正汇报时，我通常报告GeneRatio和p.adjust，辅助报告Count。

4.3 KEGG富集完整代码与参数说明

KEGG的代码和GO非常像，只是物种和注释来源不同。这里以人类为例，organism = "hsa"，按需换成mmu、rno：

ekegg <- enrichKEGG(gene = deg_entrez$ENTREZID, universe = bg_entrez$ENTREZID, organism = "hsa", keyType = "ncbi-geneid", pvalueCutoff = 0.05, qvalueCutoff = 0.2)

跑完同样用head(as.data.frame(ekegg))看结果。注意KEGG结果里面有时候会出现一个有点特殊的通路：并不是每个基因都能注释到Pathway，所以结果条目数可能会比GO少很多，这是正常的，不必担心。

还有一个值得注意的地方：很久以前KEGG富集会自动把基因转成KEGG内部ID，但接口更新后经常报错说gene ID类型不对。如果你直接用的是Entrez ID，记得显式加上keyType = "ncbi-geneid"。如果你不确定，可以先在控制台跑一下names(ekegg@kegg_rr)这种调试命令，或者直接用bitr_kegg做显式转换，把symbol或者Entrez ID换算成KEGG ID，再完成富集。

4.4 可视化：气泡图、条形图、通路图和富集网络图

富集结果光有表格远远不够，论文需要图。clusterProfiler几个配套可视化函数非常顺手，我在下面贴出最常用的一组。气泡图和条形图是两件套，几乎所有文章里都会出现：

library(enrichplot) library(ggplot2) p1 <- dotplot(ego, showCategory = 20) p2 <- barplot(ego, showCategory = 20)

气泡图的横轴是GeneRatio，纵轴是GO条目，点的大小对应Count，颜色对应p.adjust。阅读时重点看右上角区域：GeneRatio大、颜色红、点大，说明该条目富集程度高、贡献基因多、统计显著。

如果还想看基因在通路图上的位置，用pathview包或者clusterProfiler配套的viewPathway函数。pathview可以把差异基因的表达值映射到KEGG通路图上，看到哪些节点被上调、哪些被下调，这招在讲机制图的时候非常加分。用法大致是这样：

library(pathview) # 需要先构造一个名为pv_data的命名向量，key是Entrez ID，value是log2FC pathview(gene.data = pv_data, pathway.id = "hsa04110", species = "hsa", out.suffix = "cellcycle")

如果富集到的通路很多，条目之间又有重复基因，cnetplot和emapplot能帮你看出基因与功能之间的网络关系。cnetplot(ego)会画出基因和GO条目的连线网络，emapplot(ego)按基因重叠度把相似的GO条目连起来。这两个图适合放在补充材料里，也适合你快速筛出最重要的核心通路。

4.5 富集结果表格怎么读，怎么汇报

学会看结果表格比会跑代码更重要。我在实际带人时发现，很多人跑完富集之后只会截个图，根本不知道要汇报哪一列。

核心指标就三个：GeneRatio、p.adjust、Count。举个例子，结果里有"regulation of cell cycle"这一行，GeneRatio是0.25，p.adjust是1e-6，Count是45，那就说明你的差异基因里四分之一都和细胞周期调控有关，且统计显著性非常强。这个结论可以理直气壮写进文章。

汇报时还有个常见误区：只看排名最靠前的条目，不管它是否真的和你的生物学背景吻合。富集结果不会替你判断生物学意义，它只给你统计线索。比如肿瘤样本富集到"immune response"相关通路，这很合理；但富集到一个和实验模型毫无关联的嗅觉传导通路，即使p值再小，多半也是假阳性或者基因注释噪声，需要理性排除。

5. 实操踩坑实录与常见问题排查

5.1 基因ID转换后结果大量丢失

这是我见过最多的报错场景。差异基因表里的symbol明明都很标准，一跑富集提示匹配到0个基因。排查思路是先把bitr的结果看一下转换量。如果你输入1000个symbol，bitr只返回300个ENTREZID，那问题要么是基因命名版本不一致，要么是Excel自动把部分基因名改成了日期格式。比如有个基因叫SEPT1、SEPT2，在旧命名系统里会被Excel当成9月1日、9月2日。这种问题处理办法很简单：读入时加参数check.names = FALSE，或者在Excel里先把该列设成文本格式再导出。

5.2 KEGG富集报错：接口更新导致无法完成

clusterProfiler里的enrichKEGG依靠在线KEGG API，KEGG官方接口调整后，很多旧版本clusterProfiler会报类似API call blocked或wrong keyType的错误。解决办法有几个方向。

• 升级clusterProfiler到最新版本。
• 显式设置keyType = "ncbi-geneid"，并且确保传入的基因ID是Entrez ID。
• 如果你用的是比较老的教程代码，可能在enrichKEGG里传了gene = symbol而没有做转换，这时候KEGG找不到对应关系，果断回到bitr把symbol转成ENTREZID再跑。
• 实在不行就退一步，用在线KEGG Mapper或DAVID跑，结果一样可以导出表。

这个坑我前前后后踩了两三次，现在固定流程是：GO用symbol转Entrez后直接跑，KEGG一定显式加keyType = "ncbi-geneid"，再没有出过问题。

5.3 背景基因不设置导致的假富集陷阱

之前提过背景基因的坑，这里单独展开。假设你只把200个差异基因丢进enrichGO，而不给universe参数，clusterProfiler默认会用你传入的基因列表自身作为背景。这时富集检验会变得极其"宽松"：本来需要对比"差异基因里的比例vs全基因组里的比例"，现在变成拿差异基因自己和自己比，结果就是大量条目看起来显著，实则没有任何参考价值。

正确做法是把所有进入差异检验的基因作为backgound，代码看我4.2节里bg_entrez的构造部分。还有一个变体操作：有些人想把背景收紧到"在样本中表达的基因"，这也可行，只要你能给出对应的基因列表。但要注意一致性，差异基因和背景基因必须来自同一套定量结果，不能差异基因来自A数据、背景来自B数据。

5.4 GO结果条目太多、太泛怎么收敛

BP结果一次出来几百条，看不过来是常态。我常用的收敛策略是三层。第一层，提高过滤阈值，把pvalueCutoff从0.05收紧到0.01，qvalueCutoff从0.2收紧到0.05。第二层，用simplify函数按语义相似度去冗余，它会保留代表性条目、合并相似的表述：ego_simp <- simplify(ego, cutoff = 0.7, by = "p.adjust", select_fun = min)。第三层，手动挑最贴近研究背景的功能条目往下挖，不要试图把所有条目都在文章里解释一遍，那不是信息量大，是没重点。

5.5 在线工具之间的结果差异

同一份基因列表，跑DAVID、Metascape、clusterProfiler，结果经常会有不同，尤其是具体条目的p值排序。差异来源主要是数据库版本、注释来源、背景基因逻辑和ID映射方式的区别。这不是bug，是每个工具的设计选择不同。我的建议是：以clusterProfiler的结果为主稿，用Metascape或Enrichr做交叉验证，如果核心通路在两个工具里都能稳定出现，那基本是靠谱的。如果只有某一个在线工具冒出来一个孤零零的显著通路，先别激动，回到基因列表里看一下是哪些基因贡献了富集，确认没有可疑的注释噪声再说。

6. 富集结果如何讲出真正有价值的生物学故事

6.1 从一堆显著条目中抓主线

很多人分析时能跑出图，但汇报时只会念条目名，把"富集到细胞周期、DNA复制、p53信号通路"三行字念出来就结束了。真正有价值的做法是，把这些条目归类到几个上层的主题里。

比如你发现GO-BP里大量富集到"DNA修复""细胞周期检查点""p53信号通路"，同时KEGG里富集到"Homologous recombination""Fanconi anemia pathway"，那主线就很清晰：你的处理可能诱导了DNA损伤应答和同源重组修复。下一步你再去看这些通路里的关键基因是不是差异表达，如果核心驱动基因表达趋势一致，那你整篇文章最核心的生物学故事就成立了。

我自己的习惯是做一个简单的三层逻辑图：差异基因层、功能主题层、表型验证层。差异基因是原料，功能主题是中间桥梁，表型验证对应你的实验设计。富集分析帮你在第二层把原料组织起来，但第三层必须靠你自己的实验和文献积累。

6.2 结合GSEA和趋势分析做交叉验证

富集分析还有一种常见补充方法叫GSEA（Gene Set Enrichment Analysis），它不需要先筛差异基因，而是拿所有基因的表达变化和排序去检验，可以在差异不显著的基因里发现协同变化的通路信号。简单来说，传统富集只看"差异基因列表里某通路占比高不高"，GSEA看的是"按表达变化排序的所有基因中，某通路的基因是否整体偏向一端"。

我把GSEA当富集分析的交叉验证器。比如富集结果提示某个炎症通路显著，但差异基因列表里这个通路只有两三个基因，我通常会用GSEA再看一遍。如果GSEA也显示该通路显著富集，那说明这个通路里的更多基因在低幅度但一致地变化，结论更稳。如果你有兴趣，后面我可以单独写一篇GSEA的实操流程，包括输入格式和fgsea/rrvgo这些包的用法。

6.3 一张图搞定结果汇报：推荐组合与排版

文章里最常用的富集图组合方式是：一张GO气泡图加一张KEGG气泡图，或者直接用cnetplot画一个基因-功能关系网络。如果通路图比较清晰，再加一张pathview的通路图，图注里写明红色高表达、绿色低表达即可。

排版上有个小技巧：在dotplot里限制展示条目数到10到15个，太多点的图反而没有冲击力。颜色渐变区间建议用scale_colour_gradient(low = "red", high = "blue")或更保守的蓝白红，别用彩虹色。字体大小建议统一用theme_classic()配合base_size调整，这样图片放到PPT和论文里都协调。

7. 我自己的操作习惯与最后建议

这几次跑项目下来，我给自己总结了一套固定流程，现在每次拿到新数据都按这套来：先看差异基因总数和上下调比例，再跑GO富集，随后跑KEGG富集。跑完后我会把两个结果里的显著条目做一个交集，交集部分基本就是我要重点写的生物学主题。每次报告前，我还习惯随手做一步验证：到NCBI里查一下该条目里排名前几的基因，确认注释来源可靠，这个习惯帮我挡掉了至少两次注释版本导致的"乌龙"结论。

另外一件特别想说的事是：不要为了追求显著而反复调整阈值和参数。富集分析的参数在文章里是必须公开透明的，P值、Q值、背景基因都写清楚。你私下里多试几组参数做灵敏度分析没问题，但最后定下来的标准一定要符合领域惯例，并且能经得住别人用你上传的数据重新分析。数据分析和实验一样，可复现才是有价值的。

最后分享一个我自己常用的补充思路：如果你做的是时间序列或者多组别比较，可以考虑先把每一组差异基因分别做富集，再比较不同组别富集到的通路差异。这比把所有差异基因合并在一起跑一次富集更有层次，能直接看出"先激活了什么，后激活了什么"。我在多个项目里用这个思路做出来的通路动态变化图，审稿人反馈都比较好。

如果你也在做转录组，希望这篇对你有用。结合你自己的数据和实验背景去跑一轮富集，一定会有新的发现。