利用Graphviz 可视化GO 数据库

GO是一个同源蛋白的数据库，按照三大类别BP(生物学过程), MF(分子功能), CC(细胞组分) 对基因的产物-蛋白质进行了分类；

在GO数据库中，本质上是一个有向无环图的数据结构，在三大类别之下，又有小的分类层级，一层一层的分类下去；

对于某个具体的GO号来说，代表了一组同源蛋白，拥有相似的结构和功能，在数据库中，有上层分类的GO，也可能在这个GO下面，还有其他的GO

为了直观的展示某个GO号的分类，利用数据库提供的go-basic.obo 文件得到不同GO之间的层级关系，然后用Graphviz 进行可视化

首先下载go-basic.obo 文件, 到GO官网 http://geneontology.org/page/download-ontology

选择下载go-basic.obo 文件

wget http://purl.obolibrary.org/obo/go/go-basic.obo

观察obo 文件

[Term]
id: GO:0000001
name: mitochondrion inheritance
namespace: biological_process
def: "The distribution of mitochondria, including the mitochondrial genome, into daughter cells after mitosis or meiosis, mediated by interaction
synonym: "mitochondrial inheritance" EXACT []
is_a: GO:0048308 ! organelle inheritance
is_a: GO:0048311 ! mitochondrion distribution

其核心是Term , 每个Term 下记录了一个具体的GO， name 是对该GO的简单描述，namespace 是值该GO 属于三大类别中的哪一个，def 是详细的描述信息， is_a 记录了该GO 对应的上层分类的GO

根据每个GO的is_a的信息，就可以得到所有GO之间的相互关系，利用程序处理，对于某个具体的GO,就可以得到其对应的所有上层分类，然后整理成Graphviz 识别的dot 文件，进行可视化

具体的代码如下：

#!/usr/bin/env perl

my ($obo, $go) = @ARGV;

my %nodes = ();
my %edges = ();
local $/ = "[Term]";
open OBO, $obo or die "Can't open $obo!\n";
while (<OBO>) {
    chomp;
    my ($node) = $_ =~ /id:\s+(\S+)/;
    next if not defined $node;
    my ($name) = $_ =~ /name:\s+(.+?)\n/;
    my $label = qq{"$node\\n$name"};
    $node =~ s/://;
    $nodes{$node} = $label;
    my @edge   = $_ =~ /is_a:\s+(GO:\d+)/;
    foreach my $x (@edge) {
        $x =~ s/://;
        push @{$edges{$node}}, $x;
    }
}
close OBO;

my @val  = @{$edges{$go}};
my @node = ();
my @edge = ();

push @node, $go;
my $start = $go;
while (@val) {
    my $id = shift @val;
    push @node, $id;
    push @edge, qq{$id -> $start;};

    foreach my $x (@{$edges{$id}}) {
        push @val, $x;
    }
    $start = $id;
}

print qq{digraph go\{\n};

foreach my $x (@node) {
    print qq{$x\[label = $nodes{$x}\];\n};
}

foreach my $x (@edge) {
    print qq{$x\n};
}
print qq{\}};

运行的命令如下：

perl  parse_go.pl go-basic.obo GO0002485 > GO0002485.dot

如果使用GO:0002485 这种作为结点的名字，Graphviz 不能够正确识别，所以我把冒号统一替换掉了，生成的GO0002485的内容如下：

digraph go{
GO0002485[label = "GO:0002485\nantigen processing and presentation of endogenous peptide antigen via MHC class I via ER pathway, TAP-dependent"];
GO0002484[label = "GO:0002484\nantigen processing and presentation of endogenous peptide antigen via MHC class I via ER pathway"];
GO0019885[label = "GO:0019885\nantigen processing and presentation of endogenous peptide antigen via MHC class I"];
GO0002474[label = "GO:0002474\nantigen processing and presentation of peptide antigen via MHC class I"];
GO0048002[label = "GO:0048002\nantigen processing and presentation of peptide antigen"];
GO0019882[label = "GO:0019882\nantigen processing and presentation"];
GO0002376[label = "GO:0002376\nimmune system process"];
GO0008150[label = "GO:0008150\nbiological_process"];
GO0002484 -> GO0002485;
GO0019885 -> GO0002484;
GO0002474 -> GO0019885;
GO0048002 -> GO0002474;
GO0019882 -> GO0048002;
GO0002376 -> GO0019882;
GO0008150 -> GO0002376;
}

最后用Graphviz 进行可视化

dot -T pdf GO0002485.dot -o GO0002485.pdf

效果图如下：

这里全部采用了默认的格式，其实还可以在这个基础上再修改样式，使图片更加的美观；