Reactome通路数据库¶

一句话概述：Reactome是经过人工审核的开放获取通路数据库，以反应(reaction)为核心单元组织生物学通路，涵盖代谢、信号转导、免疫等过程，是KEGG之外最重要的通路数据库。

核心知识点速查表¶

概念	说明
Reactome	人工审核的通路数据库（白话：专家手动整理的"反应路线图"）
Reaction	Reactome的基本单位，描述一个具体的生化反应
Pathway	一组相关反应的集合
人工审核	每条通路都经专家审查，比自动化数据库更可靠
ReactomePA	R语言Reactome富集分析包
物种覆盖	主要基于人类数据，通过直系同源推广到其他物种

一、Reactome与KEGG对比¶

特性	Reactome	KEGG
数据审核	人工审核	部分自动化
开放获取	完全免费开放	学术免费，商业收费
更新频率	每季度	持续更新
核心单位	反应(Reaction)	通路(Pathway)
物种覆盖	人类为主，推广到其他物种	广泛覆盖各物种
适用场景	人类/模式动物研究	所有物种，尤其非模式生物

二、在线使用Reactome¶

# === Reactome在线分析 ===
# 访问: https://reactome.org/PathwayBrowser/
# 1. 点击"Analyze Data"
# 2. 输入基因列表（HGNC symbol或UniProt ID）
# 3. 选择分析类型：
#    - Over-representation analysis（富集分析）
#    - Expression analysis（表达分析，需要表达值）
# 4. 点击"Submit"
# 5. 结果显示在通路浏览器中，可交互浏览

三、R语言ReactomePA分析¶

# === 安装ReactomePA ===
if (!requireNamespace("BiocManager", quietly=TRUE))
    install.packages("BiocManager")
BiocManager::install("ReactomePA")

# === Reactome ORA富集分析 ===
library(ReactomePA)

# 准备差异基因（需要ENTREZID）
gene_list <- c("7157", "675", "672", "5925", "4609")   # 示例

# 富集分析
reactome_enrich <- enrichPathway(
  gene = gene_list,              # 差异基因列表
  organism = "human",             # 物种（human/rat/mouse/celegans/yeast/zebrafish/fly）
  pAdjustMethod = "BH",           # 多重检验校正
  pvalueCutoff = 0.05,            # p值阈值
  readable = TRUE                  # 将ENTREZID转为基因符号（便于阅读）
)

# 查看结果
head(as.data.frame(reactome_enrich))

# 可视化
dotplot(reactome_enrich, showCategory=15)       # 点图
barplot(reactome_enrich, showCategory=15)       # 柱状图
cnetplot(reactome_enrich, showCategory=5)       # 基因-通路网络图
emapplot(pairwise_termsim(reactome_enrich))     # 通路相似性网络

# === Reactome GSEA ===
# 准备排序的基因列表
geneList <- sort(gene_rank$logFC, decreasing=TRUE)
names(geneList) <- gene_rank$ENTREZID

# GSEA分析
gsea_reactome <- gsePathway(
  geneList = geneList,            # 排序的基因列表
  organism = "human",              # 物种
  pAdjustMethod = "BH",            # FDR校正
  pvalueCutoff = 0.05              # 阈值
)

# 可视化
gseaplot2(gsea_reactome, geneSetID=1:3)    # GSEA曲线
viewPathway(
  "Cell Cycle",                     # 通路名称
  readable=TRUE,                    # 显示基因符号
  foldChange=geneList               # 表达值着色
)

四、Reactome API使用¶

# === Python调用Reactome API ===
import requests
import json

# 基因列表富集分析
genes = ["TP53", "BRCA1", "BRCA2", "RB1", "MYC"]   # 基因列表
url = "https://reactome.org/AnalysisService/identifiers/projection"   # API端点

# 提交分析
response = requests.post(
    url,
    headers={"Content-Type": "text/plain"},
    data="\n".join(genes)                             # 基因列表，换行分隔
)

result = response.json()                              # 解析JSON结果
token = result["summary"]["token"]                    # 获取分析token

# 查看富集的通路
for pathway in result["pathways"][:10]:               # 前10条通路
    print(f"{pathway['name']}: p={pathway['entities']['pValue']:.2e}, "
          f"FDR={pathway['entities']['fdr']:.2e}")

# 下载结果
# 用token下载完整结果
download_url = f"https://reactome.org/AnalysisService/download/{token}/pathways/TOTAL/result.csv"

# === 命令行调用Reactome API ===
# 基因列表富集分析
curl -X POST "https://reactome.org/AnalysisService/identifiers/projection" \
    -H "Content-Type: text/plain" \
    -d "TP53
BRCA1
BRCA2
RB1" | python3 -m json.tool | head -50

五、面试高频考点¶

Q1: 为什么同时用Reactome和KEGG？¶

Reactome人工审核，更可靠，但主要覆盖人类/模式动物
KEGG覆盖物种更广，适合非模式生物
两个数据库通路定义不同，互相补充
发表文章时两者结果互相验证更有说服力

Q2: Reactome的独特优势？¶

完全开放：学术和商业都免费
人工审核：每条通路都经过专家验证
反应粒度：以单个反应为基本单位，比KEGG更精细
可视化好：交互式通路浏览器，支持叠加实验数据

常见报错与解决¶

报错	原因	解决方案
`No enrichment`	基因ID不匹配	确保使用ENTREZID
`API timeout`	网络不稳定	重试或使用R包本地分析
`Species not supported`	物种不在支持列表	用人类同源基因做分析
`ReactomePA安装失败`	Bioconductor版本不对	更新R和BiocManager

速查表¶

# === Reactome分析速查 ===
library(ReactomePA)

# ORA富集
rpa <- enrichPathway(gene=gene_list, organism="human", readable=TRUE)
dotplot(rpa, showCategory=15)

# GSEA
gsea_rpa <- gsePathway(geneList=sorted_genes, organism="human")
gseaplot2(gsea_rpa, geneSetID=1:3)

# 通路可视化
viewPathway("Cell Cycle", readable=TRUE, foldChange=geneList)

# 支持物种: human, rat, mouse, celegans, yeast, zebrafish, fly