基因集富集分析（GeneSet Enrichment Analysis, GSEA），一种对基因进行富集分析的方法，即检验已知功能的基因集(即gene set，可以是从GO/KEGG/hallmark/MsigDB中拎出的某一特定类别的基因集合，也可以是自定义的功能基因集合)，在一个依据与表型的相关度进行排序的基因列表（即两组样品的表达谱数据，依据基因在两种表型中的表达量的高低进行排序，因未对基因进行显著差异的筛选，因而可以将全部基因与不同表型的相关性均考虑进去）中是随机排列还是主要集中在列表的顶部或底部。若研究的已知功能基因集是非随机分布的，则说明该已知功能基因集与表型相关，根据其基因的集中情况，则 可以推断出该已知的功能具体和哪种表型更为接近。

GSEA分析结果的解读。

该图可分为3个部分： （1） 上方绿色的EnrichmentScore折线图，横坐标为排序好的基因列表（即肿瘤组织和正常组织基因表达量矩阵表）。纵坐标是富集得分(Enrichment Score,ES).ES反映G2M功能相关基因集成员（HALLMARK_G2M_CHECKPOINT）在样品的基因表达排序列表的富集程度。折线图中的峰值就是这个基因集的ES值，ES值越高，说明样品在该通路中有富集。 （2） 中间部分每一条竖线代表功能基因集中的一个基因，及其在样本表型关联排序后的背景基因列表中的位置。存在显著富集的表型则与该已知的功能更为相关。 （3） 最下面为所有基因的rank值分布及信噪比，用以展示已知功能的基因在不同分组中的表达量情况，其中红色代表在“T”组（即肿瘤组）中高表达。从该图中可以看出，”HALLMARK_G2M_CHECKPOINT” 这个基因集是在“T”组（即肿瘤组）高表达的。

实战经验

1. 注意目前GSEA broad官网上下载的gene set 都是human 的，所以如果对其他物种进行使用clusterprofiler进行分析，是会报错的，no mapping。 （Typically, GSEA uses gene sets from MSigDB. All gene sets in MSigDB consist of human gene symbols.）
2. 如果需要做小鼠物种的GSEA 分析，则可以使用本网页中下载的 gene set数据集，这个网页中介绍了是采用何种方法，比如同源性匹配等，根据human 的gene set数据集，获得的小鼠的gene set数据集，可以用于做分析。这个网站下载的数据集是，rds格式的，并且读入之后，是list格式的，与clusterprofiler中GSEA函数需要的数据集格式不同，所以可以根据下面的代码进行对数据集整理。

c5 <- readRDS(file.path(pub_dir,
                        "Mm.c5.all.v7.1.entrez.rds"))

c5_gsea <- lapply(seq_along(c5), function(x)
  c5[[x]] %>% 
    matrix(ncol = 1) %>% 
    as.data.frame() %>% 
    dplyr::rename(gene = V1) %>% 
    dplyr::mutate(term = names(c5)[x])) %>% 
  do.call(rbind,
          args = .) %>% 
  dplyr::mutate(term = as.factor(term)) %>% 
  dplyr::select(term, gene)

致谢