gsea分析這方面教程我在《生信技能樹》公眾號寫了不少了，不管是芯片還是測序的表達矩陣，都是一樣的，把全部基因排序即可：

• 比如你有2萬個基因，你根據自己的條件分組后算差異情況，根據差異把基因排序，然后看缺氧相關200個基因組成的集合在全部的排好序的2萬個基因是散亂分布，還是集中于頭部和尾部。
• 當然了，基因集肯定不僅僅是缺氧這個生物學功能啦，在msigdb數(shù)據庫有幾萬基因集合，其實生物學背景更重要。
• 另外，基因的排序也不僅僅是條件分組后算差異來排序，也可以僅僅是表達量高低排序。

msigdb數(shù)據庫網頁里面有著豐富的基因集，MSigDB（Molecular Signatures Database）數(shù)據庫中定義了已知的基因集合：http://software./gsea/msigdb 包括H和C1-C7八個系列（Collection），每個系列分別是：

• H: hallmark gene sets （癌癥）特征基因集合，共50組，最常用；
• C1: positional gene sets 位置基因集合，根據染色體位置，共326個，用的很少；
• C2: curated gene sets：（專家）校驗基因集合，基于通路、文獻等：
• C3: motif gene sets：模式基因集合，主要包括microRNA和轉錄因子靶基因兩部分
• C4: computational gene sets：計算基因集合，通過挖掘癌癥相關芯片數(shù)據定義的基因集合；
• C5: GO gene sets：Gene Ontology 基因本體論，包括BP（生物學過程biological process，細胞原件cellular component和分子功能molecular function三部分）
• C6: oncogenic signatures：癌癥特征基因集合，大部分來源于NCBI GEO  發(fā)表芯片數(shù)據
• C7: immunologic signatures: 免疫相關基因集合。

如下所示的一個經典的gsea圖:

它就很好的說明了這個 innate immune response基因集，是在排序好的2萬多個基因里面是左偏的，也就是說這個通路是激活的。

但是這個gsea分析對絕大部分初學者來說理解起來很困難，而且代碼實現(xiàn)難度也不小。最近看教程，發(fā)現(xiàn)其實limma包就有一個barcodeplot函數(shù)，其示例代碼很容易讓人理解：

首先呢，上面的代碼創(chuàng)造了一個向量，是100個數(shù)值，它們最開始時是亂序，但是我們人為的把前面的10個數(shù)值加上了1，這樣前面的10個數(shù)值就會名列前茅。然后呢，我們人為的把第11到20個數(shù)值減去1，這樣的它們數(shù)值會偏小，但是并不會墊底。

下面的barcodeplot可視化你的基因排序 ，很容易看出來：

可以看到，第一個基因集合， 就是前面的10個數(shù)值其實是遙遙領先，而第二個基因集合，就是第11到20個數(shù)值會比較小，但不會是絕對的墊底。

親愛的讀者，發(fā)揮你聰明的小腦瓜，思考一下，假如你在前面把 人為的把第11到20個數(shù)值減去10，這樣的話，第二個基因集合，是不是就可以看到很明顯的墊底情況了？

上面的代碼大量涉及到R基礎知識：

• 《生信分析人員如何系統(tǒng)入門R(2019更新版)》

需要把R的知識點路線圖搞定，如下：

• 了解常量和變量概念
• 加減乘除等運算（計算器）
• 多種數(shù)據類型（數(shù)值，字符，邏輯，因子）
• 多種數(shù)據結構（向量，矩陣，數(shù)組，數(shù)據框，列表）
• 文件讀取和寫出
• 簡單統(tǒng)計可視化
• 無限量函數(shù)學習