欢迎关注微信公众号《生信修炼手册》!
Gene Set Enrichment Analysis是一种富集算法，由Broad Institute研究所的科学家提出，算法核心示意如下
需要两个输入元素，一个就是排序好的基因列表，这里的排序的规则是展现两组间的差异，比如按照Foldchange的值进行排序，第二个就是基因的注释集合，然后运行KS检验计算Enrichment Score(ES),用置换检验评估ES的可行度，
Broad Institute研究所的科学同时还提供对应的分析软件GSEA，该软件是java语言开发的图形界面软件，简单易用，下载地址如下
官网提供了多种下载方式，推荐直接下载jar文件，示意图如下
如下所示，运行GSEA分析，需要两个基本元素，第一个就是表达谱数据，可以是芯片数据，也可以是rna-seq的定量结果，第二个就是基因集数据库，官网对于human提供了MSigDB数据库，当然你也可以自己定义基因集。
在实际操作时，第一步首先是导入数据，有以下4种数据需要导入，由于在windows平台操作，通过特定的后缀来识别文件格式
1. expression datasets
表达量文件，可以是芯片，也可以是rna-seq的定量结果，后缀为gct, 示意如下
该文件是\t分隔的纯文本文件，第一行内容总是为#1.2, 表示版本，第二行表示表达量矩阵的维度，第一个值对应探针探针/基因个数，第二个数值代表样本个数，第三行是表达量矩阵的表头，前两列固定是NAME和Description, NAME是基因ID或者探针ID,必须保证唯一，Description表示描述信息，如果没有，可以用na填充，后面每列对应一个样本。
2. phenotype labels
样本的分组文件，后缀为cls, 示意如下
第一行为空格或者\t分隔的3个数值，第一个数值表示样本总数，第二个数值表示样本对应的分组数目，第三个数值总是1。
第二行以#开头，指定不同分组的名字；第三行的每个字段代表一个样本，顺序和表达量文件中的样本顺序一致，只不过将样本名用对应的分组名字表示。
3. gene sets
基因集文件，有多种格式，常用的有gmt和gmx, gmt示意如下
每一行代表一个基因集合，第一列为基因集合的名字，必须唯一，第二列为描述信息，如果没有就用na填充，后面的列为该集合下的基因，每列之间用\t分隔。
gmx格式示意如下
和gmt相反，gmx中每一列代表一个基因集合，第一行为基因集合的名字，必须唯一，第二行为描述信息，如果没有就用na填充，其他行为该集合下的基因。
4. chip annotation
当提供了芯片数据时，可以导入chip类型的文件，该文件保存的是探针和基因之间的对应关系，后缀为chip, 示意如下
第一列为探针ID, 表头为Probe_Set_ID,第二列为探针对应的基因，表头为Gene Symbol, 第三列为探针描述信息，没有就用na填充。
通过Load Data，首先将以上几种文件导入软件中，然后点击Run GSEA菜单，选择对应的各种文件
phenotype labels用于指定组间比较的顺序，明确哪一组作为control组。
上文中提到，GSEA需要两个输入元素，排序好的基因列表和基因集合，当导入表达量数据和分组信息后，GSEA会自动计算分组将的差异值，然后根据这个差异值对基因进行排序，支持的统计量有以下几种，其中
1. signal2noise
2. t-Test
3. ratio_of_class
4. diff_of_class
5. log2_ratio_of_class
默认的算法为signal2noise, 可以在Basic fields中进行调整，这个参数可以在``示意如下
当所有参数都设置好之后，点击下方的Run按钮即可运行。
扫描关注微信号，更多精彩内容等着你！