富集分析GO KEGG GSEA的区别

GO和KEGG是基于不同的分类思想而储存的基因相关功能的数据库,富集分析就是一个把这些功能进行进行整合计算的算法，GO富集，就是研究基因的本质的，从三个层面，分别描述基因的分子功能（molecular function）、细胞组分（cellular component）、参与的生物过程（biological process）。如一个基因，她的分子功能可能是具有催化活性，她的细胞组分，也就是其在细胞中定位为细胞膜，参与的生物过程为蛋白质运输过程，这就是这个基因按照三种不同的分类方式进行的定义。

KEGG和GO的区别主要体现在，GO的三个层面彼此之间是没有任何联系的，KEGG不仅有基因集，还定义了基因和代谢物之间的复杂的相互关系，所以才能叫做pathway，与GO中的生物过程有点类似。
GO数据库的基础就是一个一个的GO term，它们是树状的结构，存在冗余。GO database的root node有三个，分别为BP、CC、MF。KEGG就是人工注释的一张又一张代谢通路，是网状的。GO term是一个纯粹的基因集，没有定义里面基因的相互关系；KEGG不仅有基因集，还定义了基因和代谢物之间的复杂的相互关系，所以才能叫做pathway。论相似性，从纯基因集的角度，GO的BP和KEGG有较高的相似性。GO一般用来找差异基因引起的功能改变，KEGG则寻找通路上的影响。
但无论是GO还是KEGG，他们的富集方法都基于统计学上的超几何分布。假设有m个背景基因，背景基因中某一通路pathway中注释的基因有n个，而我的基因集中有k个基因，有l个富集到了该通路中，简单来讲就是比较l/k是否显著高于n/m，算出一个p值来判断这种事情到底是不是偶然发生的，如果是，那这个不能说是富集到了，因为只是偶然的巧合，如果不是，即是特意富集到某个通路当中去了。

而基因集富集分析（GSEA） 与GO（Gene Ontology）和KEGG pathway分析相比，GSEA分析的主要优势在于：
一般的差异分析（GO和Pathway）往往侧重于比较两组间的基因表达差异，集中关注少数几个显著上调或下调的基因，这容易遗漏部分差异表达不显著却有重要生物学意义的基因，就比如规定差异表达基因筛选的差异倍数阈值是0.1和0.25，这忽略一些基因的生物特性、基因调控网络之间的关系及基因功能和意义等有价值的信息。GSEA不需要划定阈值，他是根据基因的表达量对基因进行了排序，然后去和GSEA中数据库比对，给每一基因打一个ES富集分数，GSEA中与GO,KEGG另一点不同的即是，GSEA需要输入基因的表达量，而另两个只需要输入基因列表即可。

GSEA的原理：

把自己测出来的差异基因的排序列表称为目标基因列表L，把根据先验知识预先定义的基因集称为功能基因集S。把这个基因集中的成员称为s。
GSEA的运行原理就是判断功能基因集S里面的成员s在目标基因列表L里面是随机分布的，还是主要聚集在目标基因列表L的顶部或底部。如果我们研究的功能基因集S的成员显著聚集在目标基因列表L的顶部或底部，就是我们要关注的基因集。
就比如这张图目标基因基因列表L就是C２和C４中所有差异表达基因，功能基因S就是C２和C４中所有和细胞周期有关的基因，GSEA得到的结果重要的是富集得分，也就是这个图里面的蓝线。

Enrichment Score，即ES，中文翻译为富集得分。它反应的是基因集成员s在目标基因列表L端富集的程度，计算方法是，从目标基因列表L的第一个基因开始，计算一个累计统计值。当遇到一个落在功能基因集S里面的基因，则增加统计值。遇到一个不在功能基因集S里面的基因，则降低统计值。每一步统计值增加或减少的幅度与基因的表达变化程度是相关的。富集得分ES是从没有遇到时候开始计算，直到最大值。正值ES表示基因集在列表的顶部富集，负值ES表示基因集在列表的底部富集。

所以我们就知道了，这几张图里面，功能基因都是C4细胞簇中的。
中间条形码似的黑线是gene set里面的基因在背景基因里的位置，每条竖线代表该通路下的基因，"hit"就会有条黑线，”miss"就没有黑线。

蝴蝶图：当用功能基因集S从上到下，遍历排序好的目标基因列表L时，此时最下面的绿色区域就是不同基因的排序结果，它与分组情况相关，排序的结果从正值到负值进行排列，正值是与第1个分组有关（C2），负值与第2个分组有关（C4），绿色区域高低和基因的表达水平相关。