首页GSEA富集分析

# 差异基因富集分析与 GSEA

在基因表达研究中，我们常常会遇到这样的问题：找到了一组有趣的基因，它们在某种条件下表现出不同的表达模式，但这些基因到底在干什么？它们有没有共同的作用？富集分析可以回答这些问题。

富集分析方法主要有两种：

  1. 传统差异基因富集分析（如 GO/KEGG 分析）
  2. GSEA（基因集富集分析）。

# 差异基因富集分析：聚焦在显著差异基因上

在传统的差异基因富集分析中，我们会先筛选出在两种条件下表达差异显著的基因（DEGs），然后分析这些差异基因的功能，看看它们集中在哪些生物过程、功能或通路上。这样我们可以很快找到疾病相关的功能，比如免疫应答、代谢通路等。

优点：

  1. 简单直观：聚焦于 “显著差异” 的基因，直接看哪些生物学功能有变化。
  2. 适合显著性差异：对于强烈条件下（比如药物刺激）的基因表达变化，传统差异富集分析效果显著，结果也容易解释。

缺点：

  1. 忽略微小变化：如果一个基因变化不明显，但在整体上却有潜在意义，它可能会被忽略。
  2. 依赖阈值：分析需要人为设定差异显著性的阈值，有时会导致信息丢失。

适用场景：

当基因表达变化显著，比如在药物处理或某些疾病状态下，我们可以使用这种方法方法。例如我们正在研究癌症细胞中哪些基因的表达变化特别明显，差异富集分析能够快速锁定显著变化的关键基因集和通路。

# GSEA：全面观察全基因排序

GSEA（基因集富集分析）是个更全面的分析方法。它不需要设置显著性阈值，而是把所有基因根据它们在两个实验条件下的表达差异排序，排在前面的基因是表达量高的，后面的表达量低。然后，GSEA 通过查看特定基因集（如一个通路中的所有基因）在整个排序列表中的位置，来判断基因集的分布是集中在前部（上调）还是后部（下调）。

优点：

  1. 捕捉整体趋势：GSEA 不依赖阈值，考虑了所有基因的排序信息，可以发现微小但有生物学意义的变化。
  2. 适合微弱信号：对于没有明显表达差异的情况，GSEA 能检测到生物学过程的全局性趋势。

缺点：

  1. 不适合显著性变化大：在表达差异特别显著的情况下，GSEA 可能不如传统方法高效。
  2. 计算量大：由于考虑了所有基因，计算过程复杂。

适用场景：

GSEA 尤其适用于那些基因变化不显著但整体上有趋势的情况。比如，我们想要研究两个细胞类型的微小差异，或想看在某种环境下的轻微基因表达变化，GSEA 就能帮我们发掘一些意想不到的 “集体行为”。

# 两者如何选择？

  1. 基因变化显著：如果实验条件导致基因表达量有明显变化（比如药物处理组对照组），传统的差异基因富集分析可以快速帮你发现关键通路。

  2. 基因变化微弱：如果基因变化不大，或者你不想设定具体的阈值限制，GSEA 可以帮助捕捉基因集的整体趋势，揭示潜在的生物学意义。

在实际研究中，它们常常是互补的工具。