富集分析 详细步骤
2026-04-09 01:01:33
富集分析的详细步骤因方法不同有所差异，常见方法包括GSEA、Reactome及通用富集分析（如GO/KEGG），具体步骤如下：
1. GSEA富集分析步骤（1）基因排序将目标基因按表达差异（如logFC值）从高到低排序，形成基因列表。此步骤无需预设阈值，可保留全部基因信息，尤其适用于样本量较小或差异基因不显著的情况。
（2）定义基因集选择先验定义的基因集（如GO、KEGG、Harmark数据库）或根据研究需求自定义基因集（如特定细胞功能、代谢通路相关基因）。基因集的完整性直接影响分析结果。
（3）计算富集分数（ES）扫描排序后的基因列表，计算基因集在列表中的富集分数：
- 正值：基因集在列表顶部富集，提示可能被激活；
- 负值：基因集在列表底部富集，提示可能被抑制。
（4）置换检验评估显著性通过多次随机置换基因列表（通常1000次以上），生成背景分布，计算p值和FDR（校正后需<5%以控制假阳性）。
（5）结果可视化生成富集分析图（如折线图、热图），展示显著富集的基因集及其方向（激活/抑制），辅助生物学解释。
2. Reactome富集分析步骤（1）准备基因列表统一基因名格式（如转换为Entrez ID），可通过R语言bitr函数或在线工具（如DAVID）处理，避免因命名差异导致分析错误。
（2）选择分析工具
- 编程方式：使用ReactomePA包的enrichPathway函数输入基因列表，获取通路富集结果；
- 无代码方式：通过OmicShare等在线平台上传文件，生成气泡图或柱状图。
（3）筛选显著通路按p值和FDR值排序，重点关注前10条通路，结合生物学意义解读（如避免仅依赖p值，需验证通路与研究问题的实际相关性）。
（4）交叉验证将Reactome结果与GO、KEGG分析结果对比，若多方法均支持同一通路，可提高结论可信度。
3. 通用富集分析（如GO/KEGG）步骤（1）选取样本与数据收集差异基因列表（如通过DESeq2、limma等工具筛选，设定阈值如|logFC|>1且p<0.05）。
（2）富集分析计算使用工具（如DAVID、clusterProfiler）将基因映射到功能类别（如GO术语、KEGG通路），计算富集程度（如超几何检验）。
（3）可视化结果绘制富集条形图，按富集度递减排序，颜色映射显著水平（如p值或FDR值），可附加基因数目信息，直观展示关键功能类别。
关键注意事项- 样本量不足时：优先选择GSEA，因其无需差异基因，可直接用全部基因排序分析；
- 多重校正：确保FDR<5%，避免假阳性结果；
- 生物学验证：结合实验数据或文献支持分析结论，避免过度依赖统计显著性。
热门标签
