MaayanLab Cloud Enrichr（maayanlab.cloud/Enrichr/enrich）：功能、使用与优势解析
Enrichr 是由 MaayanLab（美国Icahn School of Medicine at Mount Sinai） 开发的经典在线功能富集分析工具，其核心网址（maayanlab.cloud/Enrichr/enrich）提供直观的网页交互界面，专为基因/蛋白列表的功能注释、通路富集及生物学意义解读设计，是生命科学领域（尤其是转录组学、蛋白质组学研究）最常用的工具之一。
MaayanLab Cloud Enrichr 不用编程 也能做富集分析 （TF）/miRNA 疾病与表型关联 药物与化合物关联 全自动的网站
一、核心功能：解决“基因列表背后有什么生物学意义”
Enrichr 的核心价值是将“一堆基因/蛋白ID”转化为“可解释的生物学功能”，主要通过多维度数据库富集分析实现，覆盖从基础功能到疾病、药物的全场景需求，具体功能模块如下：
| 功能类别 | 核心内容 | 典型应用场景 |
|---|---|---|
| 基因本体（GO）富集 | 分为3个子集： - BP（Biological Process）：生物过程（如“细胞凋亡”“DNA修复”） - CC（Cellular Component）：细胞组分（如“线粒体基质”“细胞膜”） - MF（Molecular Function）：分子功能（如“ATP结合”“蛋白激酶活性”） | 初步解析差异表达基因（DEGs）参与的基础生物学活动，例如“肿瘤相关DEGs是否富集‘细胞周期调控’BP”。 |
| 通路（Pathway）富集 | 整合主流通路数据库： - KEGG（经典代谢/信号通路，如“PI3K-Akt信号通路”） - Reactome（动态信号通路，侧重通路间关联） - WikiPathways（社区贡献的通路，覆盖更多物种/疾病） | 挖掘基因列表涉及的核心信号通路，例如“药物处理后DEGs是否富集‘自噬相关通路’”。 |
| 疾病与表型关联 | 关联疾病/表型数据库： - DisGeNET（基因-疾病关联，如“TP53与肺癌”） - OMIM（孟德尔遗传病数据库） - GWAS Catalog（全基因组关联研究结果，如“基因位点与高血压关联”） | 分析基因列表与特定疾病的关联性，例如“癌症驱动基因列表是否富集‘乳腺癌相关基因’”。 |
| 药物与化合物关联 | 整合药物数据库： - DrugBank（已批准药物-靶点关联） - DGIdb（药物-基因相互作用，含禁忌/敏感信息） - LINCS L1000（药物处理后的基因表达特征匹配） | 预测调控目标基因的潜在药物，例如“寻找可逆转‘炎症相关DEGs’的候选药物”。 |
| 转录调控关联 | 链接转录因子（TF）/miRNA数据库： - JASPAR（TF结合位点 motif 富集） - miRTarBase（miRNA-靶基因关联，含实验验证数据） | 解析基因列表受哪些TF/miRNA调控，例如“DEGs是否受p53（TF）或let-7（miRNA）调控”。 |
| 其他特色富集 | 包括： - 蛋白-蛋白相互作用（PPI）网络模块 - 组织/细胞类型特异性基因富集（如“是否富集肝细胞特异性基因”） - 文献挖掘关联（基因在文献中常被提及的生物学过程） | 拓展分析维度，例如“验证DEGs是否在特定细胞类型（如T细胞）中高表达”。 |
二、使用流程：3步完成富集分析（无需编程）
Enrichr 界面简洁，操作门槛极低，即使无生物信息学基础也能快速上手，核心流程如下：
1. 准备输入数据（关键步骤）
- 输入内容：基因/蛋白列表（支持多种ID格式，无需统一），例如：
- 基因名（如
TP53、MYC） - Ensembl ID（如
ENSG00000141510） - RefSeq ID（如
NM_000546） - 蛋白ID（如
P04637）
- 基因名（如
- 输入要求：
- 无需排序，每行1个ID，或用逗号/空格分隔（建议直接粘贴Excel中的列数据）；
- 基因数量无严格限制（推荐10-5000个，过少易导致富集结果不显著，过多易出现假阳性）；
- 支持“背景基因列表”（可选，用于排除物种/样本特异性干扰，例如用“全基因组基因”作为背景）。
2. 选择数据库并提交
-
- 在网页左侧“Step 1: Enter Genes”粘贴基因列表，选择物种（默认人类，支持小鼠、大鼠、果蝇等常见模式生物）；
-
- 点击“Submit”提交，系统自动完成ID转换（若输入格式不统一，会自动匹配为标准基因名）；
-
- 在跳转的“Results”页面，点击左侧“Enrichment Analysis”下的目标数据库（如“GO Biological Process 2023”“KEGG Pathways 2023”），系统实时计算富集结果。
3. 解读结果（核心指标需关注）
富集结果以表格形式呈现，关键指标解读如下，需重点关注 “Adjusted P-value” 和 “Combined Score”：
| 结果列名 | 含义 | 解读要点 |
|---|---|---|
| Term | 富集到的功能/通路名称（如“GO:0006915~apoptotic process”） | 直接对应生物学意义，需优先看名称是否与研究方向相关。 |
| P-value | 原始P值（Fisher精确检验计算），反映富集的统计学显著性 | P值<0.05为“显著富集”，但需结合调整后P值（避免多重检验假阳性）。 |
| Adjusted P-value | 校正后的P值（常用Benjamini-Hochberg方法） | 核心指标，Adjusted P-value<0.05（或<0.01）才认为是“可靠的显著富集”。 |
| Combined Score | 综合评分（= -log10(P-value) × log2(Fold Enrichment)） | 同时考虑显著性和富集倍数，Score越高，富集结果越“强”（推荐优先关注Score高的Term）。 |
| Genes | 该Term中包含的输入基因（如“TP53, BAX, CASP3”） | 验证目标基因是否确实参与该功能/通路，避免“假阳性富集”（如仅1个基因匹配的Term需谨慎）。 |
三、核心优势：为何成为“富集分析首选工具”
Enrichr 能广泛应用，核心在于其数据更新及时、物种覆盖广、易用性强、结果可复现四大优势：
-
数据库更新频繁，覆盖度高
团队会定期更新整合的数据库（如每年更新GO、KEGG版本），目前已整合超过100个数据库，涵盖基础功能、通路、疾病、药物、调控等全维度，且支持“数据库版本选择”（如“GO BP 2021”“GO BP 2023”），确保结果与最新研究同步。 -
物种支持全面，满足多领域需求
除了最常用的人类（Homo sapiens） 和小鼠（Mus musculus），还支持大鼠、果蝇、斑马鱼、酵母、拟南芥等20+物种，兼顾动物实验、植物研究、微生物研究等场景。 -
零代码操作，结果可视化友好
- 无需安装软件或编写代码（如R/Python），网页端直接完成分析；
- 结果支持多种可视化导出：柱状图、点图、热图（可调整颜色、尺寸），且支持导出为PNG、SVG（矢量图，适合论文排版）；
- 提供“结果链接”（可保存或分享），支持30天内重复查看或重新分析。
-
结果可复现，支持批量分析
- 每次分析会生成唯一的“Enrichr ID”，可通过该ID重现历史结果（满足科研可复现性要求）；
- 支持批量输入多个基因列表（需按格式分隔），同时完成多组数据的富集分析（适合差异分组比较，如“对照组vs处理组1vs处理组2”）。
四、使用注意事项（避坑指南）
- ID格式需规范：虽支持多种ID，但尽量避免混合格式（如同时粘贴基因名和Ensembl ID），建议先用工具（如Ensembl Biomart）将ID统一为“基因名”（最通用）。
- 背景基因需合理：默认背景是“全基因组基因”，但如果研究的是“特定组织（如肝脏）”或“特定细胞系（如HeLa）”，建议上传该组织/细胞系的“表达基因列表”作为背景，减少假阳性。
- 结果需结合研究背景：避免仅依赖“Adjusted P-value<0.05”筛选结果，需结合自身研究方向（如研究癌症则优先关注“肿瘤相关通路”），同时排除“通用功能”（如“蛋白质代谢”，几乎所有基因列表都可能富集）。
- 小基因列表需谨慎：若输入基因<10个，可能因统计效力不足导致“无显著富集结果”，建议扩大基因筛选范围（如放宽差异表达基因的Fold Change阈值）。
五、典型应用场景举例
- 转录组学（RNA-seq）：对差异表达基因（DEGs）做GO/KEGG富集，分析“药物处理后细胞中显著变化的通路”；
- 基因组学（ChIP-seq）：对TF结合的靶基因做富集，解析“该TF调控的生物学过程”；
- 疾病研究：对“疾病相关易感基因”（如GWAS筛选的基因）做DisGeNET富集，验证“这些基因是否与目标疾病（如糖尿病）强关联”；
- 药物研发：对“药物作用靶点基因”做DGIdb富集，寻找“与该靶点相互作用的已批准药物”（用于老药新用研究）。
综上，Enrichr 是一款“上手快、功能全、结果可靠”的功能富集工具，尤其适合初学者或需要快速解读基因列表的研究者。若需更复杂的个性化分析（如自定义数据库、批量自动化分析），也可结合其提供的 API接口（支持R/Python调用）进一步拓展使用场景。
扫一扫
1133
被折叠的 条评论
为什么被折叠?
到【灌水乐园】发言
