#enrichmentScore折线图绘制: p1<- gseaplot(KEGG_ges, geneSetID= 1,#对第一个基因集的富集结果进行可视化 by="runningScore",#or “preranked”, “all” title= KEGG_ges$Deion[1]) p1 #rank分布图: p2<- gseaplot(KEGG_ges, geneSetID= 1, by="preranked", title= KEGG_ges$Deion[1]) p2 #...
RANK IN GENE LIST:表示在排序好的基因集中所处的位置 RANK METRIC SCORE:基因排序的依据值,默认是 Signal2noise RUNNING ES:是分析过程中动态的 ES 值,代表累计的Enrichment score CORE ENRICHMENT:是否是对 ES 值有主要贡献的基因,即 Leading edge subset,如果是则在表中以绿色填充 如上,第 4 部分,的热图,...
第1部分是Enrichment Score的折线图 横轴排序后的基因,纵轴为对应的Running ES, 在折线图中出现的峰值就是这个基因集的富集分数(Enrichment Score,ES)。ES是从排序后的表达基因集的第一个基因开始,如果排序表达基因集中的基因出现在功能基因数据集中则加分,反之则减分。正值说明在顶部富集,峰值左边的基因为核心基因,...
2)NES(Normalized Enrichment Score):标准化富集得分 每个基因子集s计算得到的ES根据基因集的大小进行标准化得到标准化富集得分Normalized Enrichment Score (NES)。随后会针对NES计算假阳性率FDR。 3)Leading-edge subset:领头基因亚集 对富集贡献最大的基因成员 一般认为|NES|>1,p-value<0.05,FDR<0.25的通路是显著...
第一部分:最顶部的绿色折线为基因Enrichment Score的折线图。纵轴为对应的Running ES, 在折线图中有个峰值,该峰值就是这个基因集的Enrichemnt score,峰值之前的基因就是该基因集下的核心基因。横轴代表此基因集下的每个基因,对应第二部分类似条形码的竖线。
Enrichment Score,简称ES,从我们排序的差异分析列表里,从高到低一个一个看,遇到一个基因,如果属于我们要的基因集S,ES就会加分,反之就会减分。每一步统计值增加或减少的幅度与基因的表达变化程度(更严格的是与基因和表型的关联度)是相关的,富集得分ES最后定义为最大的峰值,正值ES表示基因集在列表的顶部富集,负值...
分成3个部分,第一部分为基因Enrichment Score的折线图,横轴为该基因下的每个基因,纵轴为对应的Running ES, 在折线图中有个峰值,该峰值就是这个基因集的Enrichemnt score,峰值之前的基因就是该基因集下的核心基因。 第二部分为hit,用线条标记位于该基因集下的基因,第三部分为所有基因的rank值分布...
最后还有一个该GO基因集下每个基因的详细统计信息表,RANK IN GENE LIST表示在排序好的基因集中所处的位置;RANK METRIC SCORE是基因排序评分,我们这里是Signal2noise;RUNNING ES是分析过程中动态的ES值;CORE ENRICHMENT是对ES值有主要贡献的基因,即Leading edge subset,在表中以绿色标记。
(3) 计算富集分数:使用加权法,计算ES值变化。对位于中部(与性状相关性低)的部分采用较小的权值,所以越集中在两端,与表型的相关性越高。ES曲线最大值为富集分数(Enrichment Score)。 (4) Permutation test:对基因集的ES值进行显著性检验及多重假设检验,从而计算出显著富集的基因集。
第1部分是Enrichment Score的折线图 横轴排序后的基因,纵轴为对应的Running ES, 在折线图中出现的峰值就是这个基因集的富集分数(Enrichment Score,ES)。ES是从排序后的表达基因集的第一个基因开始,如果排序表达基因集中的基因出现在功能基因数据集中则加分,反之则减分。正值说明在顶部富集,峰值左边的基因为核心基因,...