KEGG数据库

参考：KEGG数据库中文教程 - 博奥  &【学习笔记】KEGG数据库 - 微信

学习一个技能最主要的事情你必须知道，那就是能通过它来做什么？

1. KEGG数据库里面有什么？
2. 如何查询某一特定的代谢途径(pathway)的信息，例如Glycolysis / Gluconeogenesis?
3. 如何查询某一化合物的信息,例如Pyruvate?
4. 如何查询Pyruvate涉及了哪些生化反应?
5. 如何查询某一基因的信息,例如gltA ?
6. 如何知道Bacillus subtilis是否有gltA?
7. 如何查询 gltA在其他物种中的同源基因?
8. 如何列出某一代谢途径中涉及的所有的酶？例如cytrate cycle pathway（TCA循环）
9. 如何知道人类的cytrate cycle中pyruvate carboxylase这种酶有多少化合物与其发生相互作用？
10. 如何查询人类由Citrate生成Acetyl-CoA的可能步骤？
11. 有一条未知的序列，如何查询KEGG数据库中是否有基因或酶与其对应?

生物信息的最上游就是测序，测序直接得到的就是序列信息，然后通过组装就可以得到基因组或转录组信息，接下来就会得到基因的信息，以及基因表达的信息。

那么，我们知道了测出来的物种中的某个基因的序列，及其在转录中的表达情况，我们如何确定该基因的功能呢？ 百度 知乎

这种思路是不对的，基本没有人挨个去研究验证计算机得到的基因，因为太漫无目的，没人有那么多金钱精力。

现实的是，我对某个重要的现象感兴趣（意义重大，好发文章），然后控制该现象最主要的基因，去发现基因的功能，这才是可行的套路。

所以一般是先有表型再去找基因，也就是所谓的正向遗传学。当然你也可以用反向遗传学，挨个敲掉基因看有没有你要的表型。因为科学家一般只关注自己感兴趣的基因，所以不会出现你说的那种情况，就是不会追着一个基因非要知道它的功能，而是有目的地找他所关心的基因。

基因功能定位这个很复杂，可以专门开一篇文章了，暂且到此。

假设我们现在有了基因序列及其功能，我们接下来也会知道该基因合成了哪些蛋白，参与了哪些化学反应。

代谢是细胞内各种化学反应的总称，一个代谢途径包括代谢的前提、产物和酶。

正文

---

KEGG就是用来查询代谢途径、酶、酶编码基因和代谢物的，此外还有GenMAPP、BioRag等同类型数据库。

KEGG还可以通过BLAST来查询未知序列的代谢途径信息，主要就是同源比对，找相似信息吧。

KEGG网站的逻辑框架：（问题1：KEGG数据库里面有什么？）

目前KEGG太大了，所以拆成了很多子数据库，其中最核心的为 KEGG PATHWAY 和 KEGG ORTHOLOGY 数据库。

PATHWAY（代谢途径数据库），可以查询各种代谢途径。 
BRITE（代谢通路及同源基因数据库），这个数据与PATHWAY数据库不同的是，可以查询酶和底物之间的关系，也可以查询某种酶的同源基因。  
GENES（基因数据库）， 可以查询不同的基因或基因组的信息。  
LIGAND（配体数据库）， 可以查询反应中各种化合物的信息。

PATHWAY数据库的使用

---

点击进入后会发现KEGG收录了如下代谢途径：

在 KEGG PATHWAY 数据库中，将生物代谢通路划分为 6 类，分别为：细胞过程（Cellular Processes）、环境信息处理（Environmental Information Processing）、遗传信息处理（Genetic Information Processing）、人类疾病（Human Diseases）、新陈代谢（Metabolism）、生物体系统（Organismal Systems），其中每类又被系统分类为二、三、四层。第二层目前包括有 43 种子 pathway；第三层即为其代谢通路图；第四层为每个代谢通路图的具体注释信息。

问题2：如何查询某一特定的代谢途径(pathway)的信息，例如Glycolysis / Gluconeogenesis?

可以直接在首页上搜索Glycolysis / Gluconeogenesis，也可以点击Carbohydrate Metabolism中的Glycolysis / Gluconeogenesis

怎么看懂代谢途径图：

方框中表示的是反应中的酶，例如2.7.1.41，这是酶的EC number，国际酶学委员会的编号。
小圆圈代表的是反应中的化合物，例如α-D-Glucose-1P。
箭头代表的是反应的方向。
虚线表示此反应可以通过中间产物与其他途径发生联系。

还可以选择相对应的物种，如Homo Sapiens(human)。

还可以点进去了解指定酶的详细信息

以ko04151为例：

ORTHOLOGY 数据库的使用

---

在 KEGG ORTHOLOGY（直系同源） 数据库中，将行使相同功能的基因聚在一起，称为 Ortholog Groups (KO entries)，每个 KO 包含多个基因信息，并在一至多个 pathway 中发挥作用。

LIGAND数据库的使用
GENES数据库的使用
KO数据库的使用
LinkDB的使用
PathComp的使用
BLAST的使用

代谢通路可视化

---

使用 pathview, KEGGREST和KEGGgraphR包绘制

正确认识代谢通路富集分析（转）

我一直建议不要仅仅基于Pathway富集分析的结果解读数据，人为的解读和挑选是必不可少的。因为生物数据的解读，在现阶段更多是生物学问题，而不是数学问题。原因大体如下：

（1）基因调控是个系统，不要仅仅看成1个孤立的pathway。

在今年参加的第二届植物抗逆会议上，1个教授说了一句话，我认为很有道理。“在植物体内其实根本就不存在pathway，什么脱落酸通路，水杨酸通路，其实这些调控因子都是相互联通，相互影响的，是个整体。只是我们人类为了研究方便，人为将这些系统拆分各个子集。 ” 所以，如果你真的将pathway看成1个个破碎的途径，以为某种处理只会影响某个pathway，富集分析必须在数学上或统计学上得到1个指向性很强的结论，那是不大可能的。
具体说了，说基因调控是个系统，可以从两个层面进行解读：

a）1个基因的改变可以造成整个系统的改变；
举几个例子：把1个生命活动必须的蛋白敲除后，整个细胞会发生紊乱。而植物抗病应激，也往往是1个受体蛋白识别了病原的外源蛋白，然后导致整个细胞系统的变化。
b）1个基因往往有多个功能，但执行具体的功能往往是不同蛋白复合物共同作用的结果。
例如，基因X理论上在不同情况下，有可能参与A、B、C通路。在某个生物处理下，或许基因X 只在A通路里起作用。但如果进行基因注释的话，X同样也会被注释到B、C。所以，富集分析的结果总是会涉及特别多的通路。例如，研究人的项目，无论什么研究背景，常常会富集到帕金森综合症通路。不是你的材料真的得了帕金森综合症，只是那些与你实验处理相关的基因，在一定条件下也可以参与到帕金森综合症的过程，所以被注释到了这个通路里。
小结：所以，我们也看到了。无论什么实验处理，总有可能导致整个系统的变化。同时，基因的通路注释也有欺骗性。那么，从这一堆冗余信息中，想得到与我们研究相关的结论，离不开人为的筛选也解读。从那个复杂的整体中，筛选出核心的局部片段，这是个技术活。“这样的话是否存在一个问题就是在结果的解释上比较主观，也会因自身背景知识的不足而漏掉一些新颖的结果”。那当然，同样的结果1个外行可能什么都没有看见。但1个资深的学者可能会把握到很精彩的内容。好像任何领域都是如此，除了提高内功好像没有其他捷径。
（2）pathway富集分析的统计假设，并非在任何情况下都适用

pathway富集分析，在生物学上的假设是：1个pathway上游基因的改变，会导致下游相关基因改变，从而改变通路中大量基因的表达，达到统计学上富集的效果。但很多pathway中，基因A、B、C并不是相互调控的关系，而是共同参与某个过程的不同部分。
例如，代谢物X的合成修饰。基因A、B、C分步骤参与合成的3个步骤。基因A给X前体加了羟基，然后传递到下游；基因B又给X前体加了苯环，再传递到下游；基因C又给X的前体加了个乙酰基，完成X的合成。那么，基因A、B、C是参与了的相同的通路。如果基因A发生表达量变化，会直接调控影响B、C的表达量变化吗？ 看来很有可能不会，所以从RNA-seq差异分析的富集分析结果中，这个通路是不显著的。那么基因A的表达变化是否有生物学意义？ 当然有，因为代谢物X的合成的确受影响了。
类似的例子，理论上DNA差异甲基化的结果，就不能看pathway富集分析的结果。1个pathway 1个基因的DNA甲基化变化，就足以改变这个通路的基因表达，而不需要整个通路的甲基化都发生变化。DNA甲基化、组蛋白CHIP-seq的结果，其实只看功能注释、或通路注释就足够了，不需要考虑富集。
所以，我们还是要观察、理解某个核心pathway中基因的相互作用，才能判断其中的基因变化是否有生物学意义， 而不仅仅看富集分析的p value或Q value。

（3）目前的pathway是不完整的。

目前KEGG等数据库，收录的是已有的研究结果。但这些pathway的信息，远没有到达完善的水准。大部分通路只是了解1个大概的调控途径，而中间有什么转录因子参与、是否还有其他代谢物的生成，都是不知道的。这些通路的完整性，也会影响pathway富集分析结果。例如，基因A发生变化了，看起来下游基因没有变化。也许是还有其他的调控在起作用，只是这些调控作用现在还不知道而已。
总结：pathway 和 GO富集分析结果的解读，应该从生物学意义的角度出发，P value 和 Q value只是个参考而已，那些不显著的通路也值得解读（从功能注释的角度解读，而不是从富集分析的角度解读）。只要结果可以解释，有意义，不用太迷信P value。