老学员在以前的交流群里面提问说go数据库的注释结果希望可以分层次展示，如下所示：
关于Gene Ontology (GO) 数据库
Gene Ontology (GO) 数据库是一个广泛使用的生物信息学资源，它提供了一个标准化的词汇表来描述基因和蛋白质的属性。GO 数据库主要分为三个主要的本体（ontology）:
分子功能（Molecular Function, MF）：描述单个基因产物（如蛋白质和RNA）或其复合物在分子水平上的活动，例如“催化活性”或“转运活性”。
细胞组分（Cellular Component, CC）：描述基因产物在细胞内的位置，如线粒体、核糖体等。
生物过程（Biological Process, BP）：涉及多个分子活动的生物学过程，如DNA修复或信号转导。
每个GO本体都是一个有向无环图（DAG），其中术语（terms）作为节点，术语之间的关系（如“is a”、“part of”、“regulates”等）作为边。这些关系定义了术语之间的层次结构和连接。
在GO数据库中，每个术语都有一个唯一的标识符（GO ID），并且可以有多个层次的分类。例如，一个基因产物可能在分子功能中被归类为“氧化还原酶活性”，在细胞组分中被归类为“线粒体基质”，在生物过程中被归类为“氧化磷酸化”。
GO数据库的层级结构允许用户探索不同级别的术语，从而理解基因产物在不同生物学层面上的作用。术语之间的层级关系可以是直接的，也可以通过中间术语进行传递。例如，如果一个术语是另一个术语的子类（通过“is a”关系），或者是一个更大结构的一部分（通过“part of”关系），那么它们之间就存在层级关系。
此外，GO数据库还提供了一些工具和指南，用于管理和分析GO注释，包括用于检索、浏览、搜索、可视化和下载本体和注释的工具。通过这些资源，研究人员可以更深入地了解基因产物的功能，并在各种生物学研究中应用这些信息。
GO.db 是一个在 Bioconductor 上可用的 R 包
它存储了 Gene Ontology（GO）的信息。这个包提供了一个方便的方式来访问和使用 GO 数据库中的信息。以下是 go.db 包中的一些关键信息和功能：
数据结构：
go.db包是一个 AnnotationDb 类型的对象，它包含了多个数据表，每个表都包含了不同类型的 GO 信息。这些表可以通过keytypes()和columns()函数来查看 。关键类型（Keytypes）：
go.db提供了几种关键类型，包括 "DEFINITION"、"GOID"、"ONTOLOGY" 和 "TERM"。这些关键类型允许用户通过不同的方式访问数据库中的条目 。列（Columns）：包中的每个数据表都有多个列，包含了如定义（DEFINITION）、GO编号（GOID）、所属本体（ONTOLOGY）和术语（TERM）等信息 。
访问数据：可以使用
keys()函数获取特定关键类型的所有键（例如 GO 编号），然后使用select()函数来检索与这些键相关的数据 。查询操作：
select()函数允许用户执行类似 SQL 中的select操作，通过指定键和列来查询数据。例如，可以查询特定 GO 编号的定义、术语和所属本体 。其他信息：
go.db包还提供了其他有用的信息，如 GO 术语的祖先和后代关系，可以通过ls()函数查看包中所有可用的对象 。使用示例：
library(GO.db)
keytypes(GO.db) # 查看关键类型
columns(GO.db) # 查看列
keys(GO.db, keytype = "GOID") # 获取所有 GO 编号
select(GO.db, keys = "GO:0000001", columns = c("TERM", "ONTOLOGY")) # 查询特定 GO 编号的信息
go.db 包是生物信息学分析中的重要工具，特别是在进行基因功能注释和富集分析时。通过这个包，研究人员可以方便地访问和利用 GO 数据库中的信息 。
有向无环图（DAG）的重点就是父节点和子节点
在R中使用GO.db包可以方便地获取每个GO条目的父节点和子节点信息。GO.db包提供了多种函数来查询GO术语之间的关系。以下是一些基本的使用方法：
获取所有父节点信息：使用
GOBPANCESTOR（对于生物过程）、GOMFANCESTOR（对于分子功能）和GOCCANCESTOR（对于细胞组分）可以获取给定GO ID的所有父节点信息。例如，获取特定GO ID的父节点：library(GO.db)
ancestor <- as.list(GOBPANCESTOR)
ancestor_info <- ancestor[["GO:0001580"]] # 使用具体的GO ID替换获取上一级父节点信息：使用
GOBPPARENTS（对于生物过程）、GOMFPARENTS（对于分子功能）和GOCCPARENTS（对于细胞组分）可以获取给定GO ID的直接父节点信息。例如：parent_info <- GOBPPARENTS["GO:0001580"]获取所有子节点信息：使用
GOBPOFFSPRING（对于生物过程）、GOMFOFFSPRING（对于分子功能）和GOCCOFFSPRING（对于细胞组分）可以获取给定GO ID的所有子节点信息。例如：offspring_info <- GOBPOFFSPRING["GO:0001580"]获取下一级子节点信息：使用
GOBPCHILDREN（对于生物过程）、GOMFCHILDREN（对于分子功能）和GOCCCHILDREN（对于细胞组分）可以获取给定GO ID的直接子节点信息。例如：children_info <- GOBPCHILDREN["GO:0001580"]查看某个GO ID的详细信息：可以直接查看特定GO ID的详细信息，包括定义、所属本体等。例如：
term_info <- GOTERM["GO:0001580"]
这些函数可以帮助你构建GO术语的层级结构，并进行各种分析，如GO富集分析等。更多详细信息和高级功能，可以参考GO.db的官方文档和教程 。
只有一个父节点的就是第二层次的GO条目
很简单的代码，因为 cellular process ，是biological_process的子集，而且就这一个父节点，所以前者就是我们需要的第二层次的GO条目：
library(GO.db)
> ancestor <- as.list(GOBPANCESTOR)
> ancestor[["GO:0008150"]]
[1] "all"
> select(GO.db, keys = "GO:0008150",
+ columns = c("TERM", "ONTOLOGY"))
1 GO:0008150 biological_process BP
> ancestor[["GO:0009987"]]
[1] "GO:0008150" "all"
> select(GO.db, keys = "GO:0009987",
+ columns = c("TERM", "ONTOLOGY"))
1 GO:0009987 cellular process BP
很简单的代码遍历一下即可：
goids=keys(GO.db, keytype = "GOID") # 获取所有 GO 编号
go2 = do.call(rbind,
lapply(goids, function(x){
if(length(ancestor[[x]] )==2){
return( select(GO.db, keys = x,
columns = c("TERM")) )
}
}))
head(go2)
write.table(go2,file = 'tmp.txt',
quote = F,row.names = F,col.names = F)
如下所示，在BP里面就18个第二层次的go的term ：
GO:0000003 reproduction
GO:0002376 immune system process
GO:0008152 metabolic process
GO:0009987 cellular process
GO:0016032 viral process
GO:0032501 multicellular organismal process
GO:0032502 developmental process
GO:0040007 growth
GO:0040011 locomotion
GO:0042592 homeostatic process
GO:0043473 pigmentation
GO:0044419 biological process involved in interspecies interaction between organisms
GO:0044848 biological phase
GO:0048511 rhythmic process
GO:0050896 response to stimulus
GO:0051179 localization
GO:0051703 biological process involved in intraspecies interaction between organisms
GO:0065007 biological regulation
默认的富集分析结果只能说是控制显示多少个term，并不是多少层级：
library(clusterProfiler)
library(ggthemes)
library(org.Hs.eg.db)
data(geneList, package = "DOSE")
de <- names(geneList)[1:100]
yy <- enrichGO(de, 'org.Hs.eg.db', ont="BP", pvalueCutoff=0.01)
head(yy)
barplot(yy,showCategory = 30)
可以看到，多种层级的注释都有，仅仅是那个染色体分离，就有多种下面的 ：
> yy@result$Description[grepl('segr',yy@result$Description)]
[1] "chromosome segregation"
[2] "nuclear chromosome segregation"
[3] "sister chromatid segregation"
[4] "mitotic sister chromatid segregation"
[5] "regulation of chromosome segregation"
[6] "regulation of sister chromatid segregation"
[7] "regulation of mitotic sister chromatid segregation"
[8] "negative regulation of sister chromatid segregation"
[9] "negative regulation of mitotic sister chromatid segregation"
[10] "negative regulation of chromosome segregation"
[11] "positive regulation of chromosome segregation"
[12] "meiotic chromosome segregation"
[13] "homologous chromosome segregation"
我们前面拿到了bp的18个儿子，所以如果大家仅仅是想展示第二层次，就不需要有上面的那么多条目：
> yy@result[yy@result$ID %in% go2$GOID,1:5]
ID Description GeneRatio BgRatio pvalue
GO:0048511 GO:0048511 rhythmic process 4/99 296/18870 0.07044242
GO:0016032 GO:0016032 viral process 5/99 432/18870 0.07706179
但是，因为我们默认是超几何分布检验会卡阈值，所以很多父节点是不会被显示，如果一定要它们，就需要删除阈值：
yy <- enrichGO(de, 'org.Hs.eg.db', ont="BP",
pvalueCutoff=0.999,qvalueCutoff = 0.999,maxGSSize = 20000)
dim(yy@result)
yy@result[yy@result$ID %in% go2$GOID,1:5]
如下所示，这些第二层次的go条目基因列表都很大 ：
如果你也想做单细胞转录组数据分析，最好是有自己的计算机资源哦，比如我们的2024的共享服务器交个朋友福利价仍然是800，而且还需要有基本的生物信息学基础，也可以看看我们的生物信息学马拉松授课（买一得五） ，你的生物信息学入门课。而且下周六日我们在长沙线下授课哦：千呼万唤，让我们长沙线下约起
