DAVID跟R包注释的差异浅析

一直听说Functional Annotation Tool DAVID Bioinformatics Resources 6.8, NIAID/NIH    是可以做GO/KEGG数据库注释的，只需要用户上传自己拿的的基因集就可以，大大的方便了生物学家对数据库的使用。

因为自己都是在R里面批量做，所以没有机会使用DAVID。最近反馈结果给合作的博士后才发现，原来二者是有差异的。（因为合作的博士也不相信我的R分析结果，要用网页工具验证一波）

现在让我们一起来探索要的差异来源可能是什么吧。就拿最近的一个项目的，Mus musculus 的一个基因集来举例说明：

可以看到，我们输入了小鼠的454个基因，然后DAVID网页数据库（操作方法就不赘述，基本上就是鼠标点点点，下一步即可）结果如下：

 

同样的，因为GO数据库比较复杂，即使是仅仅关注BP，基因集也很多，我们就看前几名即可：

 

先比较第一个，可以看到DAVID数据库里面显示着有34个基因属于 cell adhesion 基因集，如下所示：

 

但是走R的注释代码，得到的结果差异非常大。首先，这个cell adhesion 基因集并不显著！这个是非常致命的冲突了，一般来说，如果仅仅是基因集的数量差异，我们可以认为是数据库版本问题。

那我们仔细看看 cell adhesion 相关的基因集，是不是有ID和名字的冲突，在我的R结果里面可以搜索到的，如下：

 

而在DAVID网页数据库结果里面可以看到的是：

 

看起来，能够拿的出来进行比较的只有：GO:0045785 名字是：positive regulation of cell adhesion，它在DAVID网页数据库被记录56个基因，然后被富集到了5个，所以是显著的。而在R的分析里面，它被记录有410个基因，被富集到的有21个。

那么这个条目，GO:0045785 名字是：positive regulation of cell adhesion 到底应该是多少个基因呢？很简单，谷歌搜索就找到了官网：

http://www.informatics.jax.org/vocab/gene_ontology/GO:0045785


的确是415个基因，那么R语言包注释结果是正确的，那么问题来了，为什么DAVID网页工具的GO数据库注释结果会少那么多？

DAVID网页工具的KEGG数据库其实也是在更新

这个时候，可能很多人都会说，是DAVID网页工具不更新了，其实就算是说它不更新，也只可能是KEGG的延迟而已，并不是说它一无是处，而且它的确是更新了的。

 

在R里面是：

 

可以看到，具体的每个基因集富集到的基因数量是没有出入的，很吻合。

那么问题到底出在哪里了呢？

其实是DIRECT的问题

后来我们仔细瞅了瞅，发现问题出在DIRECT上面，也就是说GO:0045785 名字是：positive regulation of cell adhesion，在官网的确是415个基因，在R里面也是这么多，但是呢，在DAVID里面，数量只剩下56了。其它通路也是如此，都是少很多。

我没有搜索到DIRECT的相关权威的英文资料，所以自己摸索了一下。大概的意思应该是，如果一个GO通路有100个基因，但是呢，这个GO通路有几个子节点，那么它的100个基因里面就会必然有很多基因其实也属于它的那几个子节点，也会有一些基因不属于它的任何的子节点，这样的基因很少，就是DIRECT的基因啦。

这就是为什么GO:0045785 名字是：positive regulation of cell adhesion，在官网的确是415个基因，在R里面也是这么多，但是呢，在DAVID里面，数量只剩下56了。因为这个DAVID里面仅仅是看DIRECT的基因。

参考文献

• https://www.ncbi.nlm.nih.gov/pmc/articles/PMC3706743/

• https://www.ncbi.nlm.nih.gov/pmc/articles/PMC3995153/