MSigDB:基因集数据库

转自微信公众号《生信修炼手册》。https://blog.csdn.net/weixin_43569478/article/details/83744521
Gene Set Enrichment Analysis，中文名称为基因集富集分析，是由Broad Institute研究所的科学家提出的一种富集方法，在提出该方法的同时还对应提供了分析的软件GSEA和一个基因集数据库MSigdb。本章主要介绍这个数据库，官网如下http://software.broadinstitute.org/gsea/msigdb/index.jsp

---

需要填邮箱和机构注册一下，就可以使用下载数据和GSEA软件了。

对于human的基因，从位置，功能，代谢途径，靶标结合等多种角度出发，构建出了许多的基因集合，一个基因集合中就是具有相近位置或类似功能的许多基因的，Broad Institute研究所将它们构建的基因集合保存在MSigDB数据库中。
该数据库是不断更新和完善的，目前最新版本为v6.2, 更新于2018年7月，共收录了17810个基因集。不同版本如下收录的基因集数目变化如下

image

如此多的数据，肯定需要分门别类的整理，在MSigDB中，将所有的基因集划分为以下8大类别:

1. H: hallmark gene sets

该类别包含了由多个已知的基因集构成的超基因集，每个H类别的基因集都对应多个基础的其他类别的基因集。比如HALLMARK_ADIPOGENESIS对应36个基因集。

2. C1: positional gene sets

该类别包含人类每条染色体上的不同cytoband区域对应的基因集合。根据不同染色体编号进行二级分类。

3. C2:curated gene sets

该类别包含了已知数据库，文献和专家支持的基因集信息，包含下面5个二级分类

image

以KEGG为例，包含了186个基因集，每个基因集本质上都对应pathway 数据库里的一条通路。比如基因集KEGG_ABC_TRANSPORTERS对应pathway数据库中的hsa02010。

4. C3 : motif gene sets

该类别包含了miRNA靶基因和转录因子结合区域等基因集合，示意如下

image

无论是转录因子还是miRNA, 都是通过特定的motif序列来识别可以结合的区域，这些基因集合，本质上为具有相同motif序列的基因集，比如AAACCAC_MIR140这个基因集， 具有相同的AAACCACmotif, 而hsa-miR-140可以识别该motif然后进行结合，所以AAACCAC_MIR140是hsa-miR-140靶标基因的集合。

5. C4 : computational gene sets

该类别包含计算机软件预测出来的基因集合，主要是和癌症相关的基因，示意如下

image

6. C5 : GO gene sets

该类别包含了Gene Ontology对应的基因集合，分为以下3大类别

image

每个基因集对应一个GO term, 比如基因集GO_MOLTING_CYCLE对应GO:0042303。

7. C6 : oncogenic signatures

该类别包含已知条件处理后基因表达量发生变化的基因，比如AKT_UP.V1_DN对应RAD001试剂处理后表达量下调的基因。

8. C7 : immunologic signatures

该类别包含了免疫系统功能相关的基因集合。
在官网上，可以方便的检索这些基因集，链接如下http://software.broadinstitute.org/gsea/msigdb/genesets.jsp
选择感兴趣的类别，然后在页面最下方就可以看到该类别下的所有基因集，示意如下

image

我选择的是C1大类，2号染色体上的基因集，chr2p这种信息就是每个基因集的名字，点击可以查看具体信息，示例如下

image

结果页面可以看到该基因集的名称，描述信息等，也可以直接下载，有多种格式供选择。官网也提供了下载功能，一次下载所有的基因集，需要注册登录才能使用该功能。
对于GSEA而言，不仅是富集分析算法的一次提升，更是研究角度的高度升华。传统的富集分析只会对GO, pathway等功能数据库进行分析，而MSigDB提供了多方位的研究思路，不仅从功能出发，也可以从位置，表达量变化趋势等角度进行探究，极大的丰富和扩展了富集分析的研究对象。

---

发现了几篇相关好推文：http://www.360doc.com/content/16/1026/18/19913717_601568937.shtml