gsea富集分析结果怎么看理解报告、关键指标、富集图与核心基因

GSEA 富集分析结果怎么看？全面解读你的报告

进行完 GSEA（Gene Set Enrichment Analysis）富集分析后，你将会得到一个包含大量信息的结果报告。面对这些表格、数字和图，如何快速准确地理解它们揭示的生物学意义，是分析流程中至关重要的一步。本文旨在详细解答围绕“怎么看 GSEA 富集分析结果”的各种具体问题，帮助你从繁杂的输出中提取核心发现。

GSEA 结果报告“是什么”？它包含哪些主要部分？

GSEA 分析完成后，通常会生成一个交互式的 HTML 报告。这个报告是结果的核心载体，包含了所有富集到的基因集的详细信息。理解它的组成部分是解读的第一步。一个典型的 GSEA HTML 报告主要包括以下几个关键区域：

• 结果摘要页面 (Summary Page):
  这是报告的首页，通常提供一个分析概览。你会看到哪些基因集被显著富集了（通常按通路或功能分类），以及分析的整体统计信息。这个页面帮助你快速了解哪些类型的基因集在你的比较条件下表现出差异性富集。
• 富集结果详细表格 (Enriched Results Table):
  这是报告中最重要的部分之一。它是一个详细的表格，列出了所有达到或超过一定阈值的富集基因集。每一行代表一个基因集，包含该基因集的富集分数、统计显著性指标以及其他相关信息。这是你需要深入查看具体富集通路的起点。通常会有两个表格，一个针对正向富集（基因集成员倾向于在基因排序列表顶部富集），一个针对负向富集（基因集成员倾向于在基因排序列表底部富集）。
• 富集图 (Enrichment Plot):
  每个富集基因集都对应一张富集图。这张图是 GSEA 结果最直观的表现形式，它展示了基因集在基因排序列表中的分布及其对富集得分的贡献。理解这张图是掌握 GSEA 核心原理和判断结果可靠性的关键。
• Leading Edge 基因列表:
  对于每个显著富集的基因集，报告通常会提供一个 “Leading Edge” 基因列表。这些基因是该基因集成员中，对富集分数贡献最大的那一部分基因。它们被认为是驱动该基因集富集的“核心”基因。
• 所有基因集结果表格 (All Gene Sets Results Table):
  除了显著富集的基因集外，报告通常也提供一个包含所有分析基因集结果的表格，即使它们未达到显著性阈值。这对于全面了解分析结果，甚至探索一些亚阈值的趋势很有帮助。

报告中的“多少”数值分别代表什么？理解核心统计指标

GSEA 结果表格中包含了多个数值列，它们是评估富集结果质量和显著性的关键。你需要理解这些数值的含义以及如何使用它们来判断结果。

• NES (Normalized Enrichment Score – 标准化富集分数):
  这是衡量一个基因集富集程度及其方向的核心指标。
  

  NES 是原始富集分数 (ES) 经过不同基因集大小和不同数据集比较后的标准化结果。它的值反映了该基因集成员在基因排序列表两端的富集程度。

  NES 为正: 表示该基因集的成员倾向于富集在基因排序列表的顶部（与你定义的表型正相关，例如疾病组相对于对照组表达上调的基因）。
  NES 为负: 表示该基因集的成员倾向于富集在基因排序列表的底部（与你定义的表型负相关，例如疾病组相对于对照组表达下调的基因）。

  NES 的绝对值越大，表示富集程度越高。由于 NES 是标准化的，因此可以在不同 GSEA 分析之间进行比较（例如，比较同一个基因集在不同数据集中的富集情况）。

• Nominal p-value (名义 p 值):
  这是基于基因集成员在排序列表中位置计算出的原始 p 值。它衡量的是观察到的富集分数是否可能由随机排列得到。
  

  需要注意的是，名义 p 值没有校正多重假设检验（因为你同时检验了成百上千个基因集）。因此，仅凭名义 p 值小于某个阈值（如 0.05）来判断显著性是不可靠的，会导致较高的假阳性率。

• FDR q-value (False Discovery Rate – 假阳性率):
  这是进行多重假设检验校正后的 p 值。FDR 校正的目的是控制在所有被判断为显著的基因集中，错误判断的比例（即假阳性）不超过设定的阈值。
  

  FDR q-value 是判断 GSEA 结果统计显著性的主要指标。

  例如，如果你设定 FDR < 0.25 作为阈值，那么在所有 FDR 小于 0.25 的基因集中，预计最多有 25% 是假阳性（即实际上并不富集）。GSEA 原文建议使用 FDR < 0.25 或 < 0.2 作为可接受的阈值，但这取决于你的研究领域和对结果严格性的要求。在实际应用中，许多人会采用更严格的阈值，如 FDR < 0.10 或 < 0.05。一个较低的 FDR q-value 意味着结果更可靠。

• FWER p-value (Family-Wise Error Rate – 家族错误率):
  这是另一种多重假设检验校正方法。FWER 控制的是在所有假设检验中，至少有一个假阳性的概率。FWER 通常比 FDR 更严格（即 FWER p 值往往大于 FDR q 值）。
  

  如果你的目标是尽可能地避免任何假阳性，可以使用 FWER 作为判断标准。然而，FWER 通常会牺牲一部分检测真正富集基因集的能力（增加假阴性率）。因此，FDR 是 GSEA 推荐和更常用的显著性指标。

富集图“怎么”看？解读 GSEA 的核心可视化

富集图是理解 GSEA 结果如何得出的关键。每一张图对应一个富集基因集。让我们一步步解读它的构成：

一张典型的 GSEA 富集图通常由三个部分组成：

1. 顶部曲线 (Running Enrichment Score):
   这是最重要的部分。水平轴代表了所有基因按照某个指标（如差异表达量或相关性）从高到低排序的列表。垂直轴代表富集分数。
   
   曲线从左侧开始，当遇到属于该基因集的一个基因时，曲线向上跳跃一步；当遇到不属于该基因集的一个基因时，曲线向下退后一步。这个过程遍历整个基因排序列表。
   
   曲线的最高点（对于正向富集）或最低点（对于负向富集）就是该基因集的最大富集分数 (MES)。这个最高/低点出现的位置指示了基因集成员在整个排序列表中的聚集趋势。一个显著富集的基因集，其曲线会在排序列表的顶部（正向富集）或底部（负向富集）达到一个明显的峰值。
2. 中间的“竖线” (Hits):
   在图的中间区域，你会看到一系列垂直的短线。每一条线代表了该基因集中的一个基因在整个基因排序列表中的位置。
   
   如果这些竖线集中在排序列表的顶部（左侧），并且顶部曲线在此区域达到峰值，说明该基因集正向富集。如果竖线集中在列表的底部（右侧），并且顶部曲线在此区域达到最低点，说明该基因集负向富集。竖线的密集程度和位置直观地展示了基因集成员在排序列表中的分布模式。
3. 底部曲线 (Ranking Metric):
   底部是一条曲线，显示了用于基因排序的指标（例如，针对每个基因计算的差异表达统计量或相关性得分）在整个基因列表上的分布。这个曲线帮助你了解基因整体的排序情况，作为顶部富集曲线的背景参考。例如，在差异表达分析中，底部曲线通常在中间区域（未差异表达基因）接近零，而在两端（上调或下调基因）有较大的绝对值。

通过结合这三个部分，你可以直观地判断一个基因集是否富集、富集的方向以及富集的程度，并了解是哪些基因（通过中间的竖线位置）主要贡献了富集得分。

Leading Edge 基因“是什么”以及“为什么”重要？

如前所述，Leading Edge 基因是富集基因集中的一个子集，它们对计算得到的富集分数贡献最大。更具体地说，对于正向富集，Leading Edge 基因是富集曲线达到峰值之前遇到的基因集成员；对于负向富集，它们是富集曲线达到最低点之前遇到的基因集成员。

Leading Edge 基因为什么重要？

• 核心驱动者: 它们被认为是该基因集在你的特定实验条件下发生富集的最核心或最关键的基因。
• 后续研究焦点: 如果你找到了一个你特别感兴趣的富集通路或基因集，深入研究其 Leading Edge 基因通常是下一步的重要方向。这些基因更有可能是在你的实验扰动下真正发生变化并驱动通路响应的关键分子。
• 与其他分析整合: Leading Edge 基因列表可以与其他分析结果（例如，差异表达基因列表、蛋白质相互作用网络）结合，以构建更全面的分子机制解释。

在 GSEA 报告中，你通常可以在每个富集基因集的详细页面或表格中找到 Leading Edge 基因的数量和列表。

“如何”判断结果是否显著？使用 FDR q-value

判断 GSEA 结果是否具有统计显著性，主要依赖于校正后的 p 值，即 FDR q-value 和 FWER p-value。

• 首选 FDR q-value:
  正如前面提到的，FDR q-value 是 GSEA 推荐和更常用的显著性指标。你需要设定一个 FDR 阈值。常用的阈值有 0.25 (GSEA 默认/推荐值)、0.10 或 0.05。选择哪个阈值取决于你对结果严格性的要求。一个较低的阈值（如 0.05）会得到更少但更可靠的显著富集基因集，而一个较高的阈值（如 0.25）则可能包含更多潜在的生物学发现，但假阳性的风险也更高。
• 考虑 FWER p-value (可选):
  如果你对假阳性零容忍，可以考虑使用更严格的 FWER p-value 阈值（通常设置为小于 0.05 或 0.01）。但这可能会导致错过一些真实的富集。
• 结合 NES 和显著性:
  在判断时，不要只看 p 值。一个显著富集的基因集应该同时具备：
  • FDR q-value (或 FWER p-value) 小于你设定的阈值。
  • NES 具有足够大的绝对值（意味着富集程度高）并且方向（正或负）与你的预期或生物学背景相符。

  例如，你可能找到了一个 FDR < 0.05 的基因集，但其 NES 绝对值非常小，富集图也不够理想，这种结果的生物学意义可能有限。反之，有时一个基因集的 FDR 略高于你的严格阈值（如 0.06），但 NES 很大且富集图非常漂亮，结合生物学背景，它仍然值得进一步关注。

因此，判断显著性是一个综合考量 FDR (主要)、NES 和富集图的过程。

如何“综合”和“总结”大量的富集结果？

特别是当你使用大型基因集数据库（如 MSigDB 的全部集合）进行分析时，可能会得到几百甚至上千个显著富集的基因集。如何从中提炼出最重要的生物学发现是一个挑战。

以下是一些综合和总结结果的方法：

• 按 NES 方向分组: 首先将结果分为正向富集和负向富集两组，它们代表了在不同方向上（例如上调或下调）受到影响的通路。
• 按显著性排序和筛选: 在每组中，按 FDR q-value 从小到大排序，优先查看和关注最显著的基因集。应用你设定的显著性阈值来过滤结果表格。
• 关注 NES 绝对值: 在显著的基因集中，那些具有更大 NES 绝对值的基因集代表了更强的富集信号。
• 检查基因集来源和类型: 注意基因集来自哪个数据库或分类（例如，Hallmark、KEGG、GO、Reactome、小分子特征等）。这有助于你理解富集的生物学层面。Hallmark 基因集通常代表明确定义的生物学状态或过程，而 KEGG/Reactome 是具体的通路。
• 识别冗余和代表性基因集: 许多不同的基因集可能描述了相似的生物学过程。例如，“细胞周期调控”、“G2M 检查点”和“E2F 靶基因”等多个基因集可能都指向细胞周期活性的改变。你需要识别这些冗余，并选择最具代表性或最相关的基因集进行报告和深入分析。一些工具或方法（如 Enrichment Map）可以帮助可视化基因集之间的关系，识别聚类。
• 结合生物学背景: 将富集结果与你的实验设计、样品类型以及已知的生物学知识相结合。富集到的哪些通路或过程是你在实验前就预期的？哪些是全新的发现？哪些与你正在研究的疾病或生物学现象高度相关？

• 查看 Leading Edge 基因: 对于关键的富集基因集，查看它们的 Leading Edge 基因，这些核心基因可能会提供关于机制的线索。

通过上述步骤，你可以将一个冗长的表格浓缩成几个核心的生物学主题或通路，作为你解释实验结果和设计后续实验的基础。

GSEA 结果报告通常在“哪里”找到？

运行 GSEA 软件或脚本后，你会在你指定的输出目录中找到结果。通常，GSEA 会创建一个以你的分析名称命名的文件夹。进入这个文件夹，你会找到：

• 一个主要的 HTML 文件（通常是 `index.html` 或以你的任务名称命名的 HTML 文件）。用浏览器打开这个文件即可查看交互式报告。
• 一些子文件夹，包含详细的表格数据（`.xls` 或 `.txt` 文件）、富集图（`.png` 或 `.svg` 文件）以及 Leading Edge 基因列表等。

确保你记住或记录了运行 GSEA 时指定的输出目录，以便轻松找到你的结果报告。

总结

解读 GSEA 富集分析结果是一个多方面结合的过程，需要你：

1. 理解报告的基本结构和组成部分。
2. 掌握 NES、FDR q-value 等核心统计指标的含义和使用方法，特别是以 FDR 作为主要显著性判断标准。
3. 学会解读富集图，理解曲线、竖线和排序列表之间的关系。
4. 关注 Leading Edge 基因，它们是驱动富集的核心分子。
5. 综合运用统计显著性、富集分数、生物学背景和基因集之间的关系来总结和优先排序富集结果。

通过细致地解读 GSEA 结果报告，你可以从基因或蛋白列表上升到通路和生物学过程层面，从而更深入地理解你的实验数据所揭示的生物学机制。