1 GO和KEGG富集分析工具：Clusterprofiler包和REVIGO
进行基因功能或生物学通路富集的工具或网站有很多。像DAVID、IPA、GATHE等。我基本采用基于R的Clusterprofiler包。该包抓取最新的KEGG数据进行计算，保证富集结果的可靠性。另外，该包还可以对富集结果进行比较并可视化（基于ggplot2包：http://ggplot2.org/book/）。具体参数设置为：p-value cutoff=0.01, q-value cutoff=0.05, p值矫正方法为BH（即把每个p-value进行矫正，转换为q-value）。
2 去冗余
因为GO条目的分级特性，其富集结果会有冗余，对结果的分析造成影响，其中一个策略是计算两个GO terms之间的语义相似性，去除冗余。
目前主要有两类方法：
2.1 计算语义相似性得分
基于它们的共有父条目的注释统计，计算语义相似性得分，包含Resnik、Lin、Jiang 和Schlicker四种方法；
2.2 基于GO图形结构
Wang提出基于GO的图形结构进行计算。
以上方法，各有利弊，而GOSemsim（GO semantic similarity）是ClusterProfilers包的作者Y叔开发的计算GO terms，sets of GO terms，gene Cluster语义相似性的包，并且提供上述的五种语义相似计算方法。我在进行GO terms集的相似性分析时，一般采取基于Resnik和Lin两种方法的综合方法，简称为simRel方法，利用REVIGO进行分析，然后基于R语言做图。
同样，具体代码和步骤以后再写，先放图
