C5: GO gene sets:Gene Ontology 基因本体论,包括BP(生物学过程biological process,细胞原件cellular component和分子功能molecular function三部分),这部分,我们也是比较关注的,所以能用GSEA分析就用GSEA。 C6: oncogenic signatures:癌症特征基因集合,大部分来源于NCBI GEO 未发表芯片数据。 C7: immunologic signatures: ...
亚显著差异基因:在GO分析中可能被忽略的边缘差异基因,GSEA能更好地捕捉其协同作用。 补充建议:如果你的研究目标涉及基因功能注释并想初步筛选生物学过程,GO分析是合适的。但如果你希望从全局角度深入挖掘潜在生物学趋势并避免因筛选过程带来的偏差,GSEA则是更好的选择。 两者可以互补使用,先用GO分析筛选显著富集的功能...
GOplotIn_BP<-GO[1:10,c(2,3,7,9)] #提取GO富集BP的前10行,提取ID,Description,p.adjust,GeneID四列 GOplotIn_CC<-GO[2103:2112,c(2,3,7,9)]#提取GO富集CC的前10行,提取ID,Description,p.adjust,GeneID四列 GOplotIn_MF<-GO[2410:2419,c(2,3,7,9)]#提取GO富集MF的前10行,提取ID,Des...
富集分析是生物信息学中用于解读高通量数据、筛选关键蛋白等的重要手段。目前比较常用的富集分析主要包括 GO 富集分析和 KEGG 富集分析。GO(Gene Ontology)和 KEGG(Kyoto Encyclopedia of Genes and Genomes)是两个经典的注释数据库。它们使用的富集算法基于超几何分布
GSEA GO富集分析 ##'@GSEA GO 富集 ##'读取go.gmt文件 GOgmt<-read.gmt("c5.go.v7.2.symbols.gmt") ##'@富集分析 GO <-GSEA(geneList,TERM2GENE = GOgmt) 气泡图 dotplot_internal(GO) 气泡图 根据P值设置颜色 dotplot(GO,color="pvalue") 分类气泡图 dotplot(GO,split=".sign")+facet...
GSEA区别于GO、KEGG，不仅需要输入基因列表，还基于全部基因数据表达量进行分析，不依赖于预设差异基因阈值，更能全面捕捉基因功能、调控网络及生物特性等信息。它通过排序基因在两种表型间表达量差异，与基因集比对，生成ES分值，最终通过累计分布函数确定每个通路的ES分值，显示基因对表型的贡献。结果解读包含...
GO分析能揭示差异表达基因与哪些生物学功能显著相关。🎯 GSEA(Gene Set Enrichment Analysis)则是一种独特的基因集富集分析方法。与传统的KEGG或GO分析不同,GSEA能更准确地比较实验组和对照组之间同一通路的基因上调下调差异。💡 总的来说,KEGG、GO和GSEA各有其独特的应用场景,共同构成了基因富集分析的强大工具集...
clusterProfiler包进行KEGG,GO,GSEA富集分析 本地的KEGG分析参考文章:KEGG数据库使用及通路分析教程,GO参考文章:FunRich数据库:一个主要用于基因和蛋白质的功能富集以及相互作用网络分析的独立的软件工具,当然该工具不止可以进行富集分析,具体去看文章吧。 这里就先介绍一下本地GSEA分析...
传统的KEGG(通路富集分析)和GO(功能富集)分析时,针对总体的差异基因,不区分哪些差异基因是上调还是下调。所以会出现同一通路下富集到的的既有上调差异基因,也有下调差异基因,无法判断这条通路表现形式究竟是怎样。 而GSEA考虑了基因的表达水平,不需要明确指定差异基因阈值,检验的是基因集而非单个基因的表达变化,算法会...
单样本基因集富集分析（ssGSEA）是GSEA的一个变体，它特别适用于单个样本或少数样本的富集分析。ssGSEA通过对每个基因集内的基因进行评分，并汇总这些分数来评估特定通路在单个样本中的富集程度。这种方法同样使用假设检验来确定单个样本中某个通路是否具有统计学上的显著性。基因本体论（GO）分析则侧重于描述...