滿月拋江第三難
基因集的概念
GSEA全稱Gene Set Enrichment Analysis，GSVA全稱Gene Set Variation Analysis僧家，它們都是基于基因集開展的分析，因此我們先要了解基因集的定義瓢谢〖婧牵基因集顧名思義就是一些基因的集合兔辅，任何一些基因放在一起都可以叫做基因集，但是我們用來分析的基因集要求有一定的生物學(xué)意義击喂。最常見的基因集數(shù)據(jù)庫如GO與KEGG维苔，它們一個(gè)按照基因本體論將基因分門別類，一個(gè)按照代謝通路將相關(guān)基因集合在一起懂昂。除此之外我們還可以按轉(zhuǎn)錄因子調(diào)控網(wǎng)絡(luò)介时、共表達(dá)網(wǎng)絡(luò)、定義生物狀態(tài)的marker基因列表等把基因集合成有一定生物學(xué)意義的基因集。
MSigDB基因集數(shù)據(jù)庫
GSEA是由Broad研究所開發(fā)的一種富集方法沸柔，他們在提出該方法的同時(shí)還提供了一個(gè)基因集數(shù)據(jù)庫——MSigdb循衰。它從位置，功能褐澎，代謝途徑会钝，靶標(biāo)結(jié)合等多種角度出發(fā)，構(gòu)建出了許多的基因集合工三，Broad研究所將他們構(gòu)建的基因集合保存在MSigDB迁酸，官網(wǎng)地址如下：http://software.broadinstitute.org/gsea/msigdb/index.jsp在MSigDB中，將所有的基因集劃分為以下9大類別：
1. H：hallmark gene sets
特征基因集徒蟆，由定義生物狀態(tài)和進(jìn)程的marker基因組成胁出。
2. C1：positional gene sets
位置基因集，包含人類每條染色體上的不同cytoband區(qū)域?qū)?yīng)的基因集合段审。
3. C2：curated gene sets
代謝通路基因集全蝶，包含KEGG, Reactome, BioCarta數(shù)據(jù)庫，以及文獻(xiàn)和專家支持的基因集信息寺枉。
4. C3：motif gene sets
靶基因集抑淫，包含了miRNA靶基因集和轉(zhuǎn)錄因子調(diào)控基因集兩大類。
5. C4：computational gene sets
計(jì)算基因集姥闪，計(jì)算機(jī)軟件預(yù)測出來的基因集始苇，主要是和癌癥相關(guān)的基因。
6. C5：GO gene sets
基因本體基因集筐喳，包含了Gene Ontology對應(yīng)的基因集合催式。
7. C6：oncogenic signatures
癌癥擾動(dòng)基因集，來源于藥物處理腫瘤后基因差異表達(dá)數(shù)據(jù)避归，包含已知條件處理后基因表達(dá)量發(fā)生變化的基因荣月。
8. C7：immunologic signatures
根據(jù)在人體組織的單細(xì)胞測序研究中確定的簇標(biāo)記物精選而來的。
免疫基因集梳毙，包含了免疫系統(tǒng)功能相關(guān)的基因集合哺窄。
9. C8：| [cell type signature gene sets]
GSEA的分析原理
常規(guī)GO/KEGG富集分析需要設(shè)定閾值過濾差異基因，閾值太寬富集的結(jié)果太多账锹，閾值太嚴(yán)又可能會(huì)遺漏一些關(guān)鍵結(jié)果萌业。GO/KEGG富集的結(jié)果通常還很寬泛，并不能很好地解釋生物學(xué)現(xiàn)象奸柬。有鑒于此生年，Broad研究所開發(fā)了基因集富集分析(GSEA)方法。GSEA使用無監(jiān)督算法鸟缕，不用過濾任何基因晶框，配合MSigDB數(shù)據(jù)庫使用排抬，更容易找到解釋生物學(xué)現(xiàn)象的基因集。其原理如下：
GSEA分析要先將樣本做組間對比分析授段，GSEA自帶9種分析方法蹲蒲，分為基因表達(dá)值差異分析和相關(guān)性分析兩大類。對于Case/Contral的實(shí)驗(yàn)設(shè)計(jì)侵贵，差異分析方法更為常用届搁，這其中又以默認(rèn)的信噪比和大家熟悉的差異倍數(shù)用的最多。對比分析之后要按結(jié)果將基因排序窍育，以差異倍數(shù)方法為例卡睦，把所有基因按差異倍數(shù)(FC)的值降序排列以供后續(xù)分析。上圖小人腳下的小方塊代表排序好的差異基因列表漱抓，藍(lán)色之外的其他色塊代表屬于某個(gè)基因集的基因表锻，如黃色屬于基因集A，綠色屬于基因集B乞娄。最下面高低不等的豎條代表與基因列表對應(yīng)的FC值雷厂，紅色上調(diào)鱼的、藍(lán)色下調(diào)蔗牡、黃色沒有變化臂容。基因集的富集分析需要經(jīng)歷三步：
基因集A富集分析時(shí)范删，小人從基因列表的左端走到右端蕾域，每經(jīng)過一個(gè)藍(lán)色基因扣分，每遇到一個(gè)黃色基因加分到旦，扣分時(shí)與FC無關(guān)旨巷，加分時(shí)考慮FC的權(quán)重√硗基因集A最終的富集分?jǐn)?shù)(ES)是小人曾經(jīng)得過的最高/低分契沫，實(shí)際公式比這復(fù)雜，但基本理念如此昔汉。
采用置換檢驗(yàn)計(jì)算基因集A的顯著性，即p值拴清。
基因集A富集分析完成后靶病，按上述同樣的方法完成基因集B、C直至所有輸入基因集的分析口予。所有需要富集分析的基因集都計(jì)算ES和p值之后娄周，將ES轉(zhuǎn)換為標(biāo)準(zhǔn)富集分?jǐn)?shù)(NES)，并計(jì)算校正后p值沪停。
聽完我的解釋之后再看官方的解釋可能更容易理解：
A GSEA overview illustrating the method. (A) An expression dataset sorted by correlation with phenotype, the corresponding heat map, and the ‘‘gene tags,’’ i.e., location of genes from a set S within the sorted list. (B) Plot of the running sum for S in the dataset, including the location of the maximum enrichment score (ES) and the leading-edge subset.
