Gen Kümesi Zenginleşme Analizi (GSEA)
Gene Set Enrichment Analysis · Ayrıca şöyle bilinir: GSEA, gene-set analysis, functional enrichment analysis, pathway-level enrichment
Gen Kümesi Zenginleşme Analizi (GSEA), önceden tanımlanmış bir gen kümesinin – bir biyolojik yolu, süreci veya işlevi temsil eden – iki biyolojik koşul arasında istatistiksel olarak anlamlı, koordineli farklılıklar gösterip göstermediğini belirleyen hesaplamalı bir yöntemdir. Basit katlanma değişimi filtrelemesinin aksine GSEA, tüm ölçülen genleri bir korelasyon metriğine göre sıralayarak çalışır ve tek bir gen anlamlılık eşiğini geçmese bile tüm bir yol boyunca ince ama tutarlı kaymaları tespit eder.
Tam yöntemi oku
Bu bölümü okumak için ücretsiz hesapla giriş yapın.
Yöntem haritası
İlişkili yöntemlerin komşuluğu — keşfetmek için bir düğüm seçin.
+27 tane daha
Ne zaman kullanılır
Kesin olarak tanımlanmış iki biyolojik koşulu karşılaştıran sıralı bir ifade profiline (RNA-seq, mikroarray veya proteomik verilerden) sahip olduğunuzda ve özellikle bireysel genler eşik tabanlı yöntemlerle görünmeyecek kadar mütevazı katlanma değişiklikleri gösterdiğinde, koordineli yol düzeyinde değişiklikleri tespit etmek istediğinizde GSEA'yı kullanın. Özellikle omik sonuçların mekanistik yorumlanması ve hipotez üretimi için değerlidir. Grupta üçten az örnek olduğunda (permütasyon istatistikleri güvenilmezdir); iki koşul net olarak ayrılabilir fenotipler olmadığında; veya göreceli yönlü zenginleşme yerine ifade seviyelerinin mutlak miktarını belirlemeniz gerektiğinde GSEA'yı KULLANMAYIN. Soru sadece 'anlamlı genler listemde hangi yollar aşırı temsil ediliyor?' ise, daha hızlı bir aşırı temsil analizi (ORA / Fisher'ın kesin testi) daha uygun olabilir.
Güçlü yönler & sınırlılıklar
- Keyfi bir anlamlılık kesintisi olmadan tüm ölçülen genleri kullanır, orta düzeyde, tutarlı kaymalara sahip yollar için istatistiksel gücü korur.
- Öncü kenar analizi, zenginleşmeyi yönlendiren belirli genleri belirler, p-değerinin ötesinde mekanistik hipotezler sunar.
- Gen kümesi veritabanı seçimine karşı dayanıklıdır: MSigDB, KEGG, Reactome, GO ve özel gen kümeleri ile çalışır.
- Fenotip permütasyonu, ifade verilerindeki gen-gen korelasyonlarını hesaba katar, iyi kalibre edilmiş FDR tahminleri üretir.
- Geniş çapta kullanılır ve binlerce yayınlanmış çalışmada doğrulanmıştır, bu da sonuçların literatürle doğrudan karşılaştırılabilir olmasını sağlar.
- Fenotip permütasyonunun güvenilir bir null dağılımı üretmesi için grup başına en az üç ila yedi örneğe ihtiyaç duyar; çok küçük kohortlar daha az güçlü olan gen permütasyonu moduna geri dönmek zorundadır.
- Sonuçlar, sıralama metriği seçimine bağlıdır; farklı metrikler (sinyal-gürültü oranı, log-katlanma değişimi, t-istatistiği) farklı zenginleşme desenleri üretebilir.
- Kamu veritabanlarındaki gen kümeleri kürasyon kalitesi açısından büyük ölçüde farklılık gösterir; kötü kürlenmiş veya aşırı geniş gen kümeleri yanlış pozitif zenginleşmeyi artırır.
- GSEA, koşullar arası bir yöntemdir – tek bir örneğe veya sürekli bir özelliğe, problemi sıralı liste karşılaştırmasına dönüştürmeden uygulanamaz.
SSS
GSEA ile aşırı temsil analizi (ORA) arasındaki fark nedir?
ORA (örneğin, Fisher'ın kesin testi veya hipergeometrik test), ikili bir gen listesi gerektirir – katlanma değişimi veya p-değeri eşiğinin üzerindeki genler ve diğerleri – ve yol üyelerinin 'hitler' arasında aşırı temsil edilip edilmediğini sorar. GSEA, tüm genlerin sürekli sıralı bir listesini kullanır ve tek bir gen bireysel olarak anlamlı olmasa bile koordineli kaymaları tespit eder. ORA daha hızlı ve yorumlanması daha kolaydır ancak anlamlılık eşiğine duyarlıdır; GSEA, ince, dağıtılmış yol sinyalleri için daha güçlüdür ancak temiz fenotip kontrastı gerektirir.
Kaç permütasyon kullanmalıyım?
Standart öneri, keşif analizi için 1.000 permütasyondur; yayın için kesin FDR tahminleri gerektiğinde veya sınırda gen kümeleri q < 0.25 eşiğine yakın olduğunda 10.000 permütasyon önerilir. Daha fazla permütasyon, hesaplama süresi pahasına null dağılımındaki varyansı azaltır.
Tek hücreli RNA-seq verilerine GSEA uygulayabilir miyim?
Standart GSEA, koşul başına tekrarlanan örneklere sahip toplu ifade profilleri için tasarlanmıştır. scRNA-seq için, hücre tipi başına sözde-toplu toplama ve ardından GSEA en doğrudan yaklaşımdır. scGSEA veya AUCell gibi hücre tipi özgü yöntemler, tek hücre düzeyinde çalışan ancak farklı istatistiksel varsayımlara ve yorumlara sahip alternatif araçlardır.
Hangi gen kümesi veritabanını kullanmalıyım?
Moleküler İmza Veritabanı (MSigDB), en yaygın kullanılanıdır ve diğerlerinin yanı sıra kürlenmiş temel gen kümelerini (H koleksiyonu, iyi tanımlanmış biyolojik durumları temsil eden 50 küme), kanonik yolları (C2) ve gen ontoloji terimlerini (C5) sağlar. Metabolik sorular için KEGG ve Reactome mekanistik ayrıntılar sunar. Keşif çalışmaları için öncelikle temel koleksiyonu kullanmak önerilir çünkü kümeler tekrarsız ve yüksek oranda kürlenmiş olup, çoklu test yükünü azaltır.
En iyi yollarım hep immünle ilgili – bu anlamlı mı yoksa bir yanlılık mı?
Bağlama bağlıdır. İmmünle ilgili gen kümeleri, MSigDB'deki en büyük ve en iyi kürlenmiş kümeler arasındadır ve immün süreçler birçok pertürbasyona hızla yanıt verir, bu nedenle gerçek zenginleşme yaygındır. Ancak, çok büyük gen kümeleri birçok başka süreçle örtüştüğü için yanlış pozitifleri biriktirir. Öncü kenar genlerinin biyolojinize özgü olup olmadığını kontrol edin ve sonuçlara varmadan önce tamamlayıcı bir yöntemle (örneğin, yol ağı analizi veya bağımsız doğrulama kohortu) zenginleşmeyi doğrulayın.
Kaynaklar
- Subramanian, A., Tamayo, P., Mootha, V. K., Mukherjee, S., Ebert, B. L., Gillette, M. A., Paulovich, A., Pomeroy, S. L., Golub, T. R., Lander, E. S., & Mesirov, J. P. (2005). Gene set enrichment analysis: A knowledge-based approach for interpreting genome-wide expression profiles. Proceedings of the National Academy of Sciences, 102(43), 15545–15550. DOI: 10.1073/pnas.0506580102 ↗
- Mootha, V. K., Lindgren, C. M., Eriksson, K. F., Subramanian, A., Sihag, S., Lehar, J., Puigserver, P., Carlsson, E., Ridderstrale, M., Laurila, E., Houstis, N., Daly, M. J., Patterson, N., Mesirov, J. P., Golub, T. R., Tamayo, P., Spiegelman, B., Lander, E. S., Hirschhorn, J. N., Altshuler, D., & Groop, L. C. (2003). PGC-1alpha-responsive genes involved in oxidative phosphorylation are coordinately downregulated in human diabetes. Nature Genetics, 34(3), 267–273. DOI: 10.1038/ng1180 ↗
Bu sayfayı kaynak gösterin
ScholarGate. (2026, June 3). Gene Set Enrichment Analysis. ScholarGate. https://scholargate.app/tr/bioinformatics/gene-set-enrichment-analysis
Hangi yöntem?
Bu yöntemi en yakın akrabalarının yanına koyup yan yana okuyun — kütüphane kitapları masaya serer; seçim sizindir.
- Çoklu-omik Gen Kümesi Zenginleşme AnaliziBiyoenformatik↔ karşılaştır
- Ağ Tabanlı Gen Kümesi Zenginleştirme AnaliziBiyoenformatik↔ karşılaştır
- Yol Zenginleştirme AnaliziBiyoenformatik↔ karşılaştır
- RNA-seq Diferansiyel İfadeBiyoenformatik↔ karşılaştır
- Tek hücre RNA-seq AnaliziBiyoenformatik↔ karşılaştır