博文
基因功能不确定？做一下单基因GSEA怎么样？
||
生物信息学习的正确姿势
NGS系列文章包括NGS基础、在线绘图、转录组分析 （Nature重磅综述|关于RNA-seq你想知道的全在这）、ChIP-seq分析 （ChIP-seq基本分析流程）、单细胞测序分析 (重磅综述：三万字长文读懂单细胞RNA测序分析的最佳实践教程)、DNA甲基化分析、重测序分析、GEO数据挖掘（典型医学设计实验GEO数据分析 (step-by-step)）、批次效应处理等内容。
今天在讨论群看到有群友提问 单基因GSEA怎么做？。之前也看到过这个概念，但一直不清楚这个单是什么含义，一直以为是用单个基因做GSEA。如果之前看过生信宝典的一文掌握GSEA，超详细教程，一定会特别熟悉GSEA的原理和操作流程。当然越是理解，越是想不明白单个基因怎么做GSEA。当然如果您不熟悉GSEA，建议先看上一篇文章。
后来群友点拨理解了，不是对单个基因做GSEA，是拿单个基因 （一般是感兴趣的基因）作为分组方式，探索与给定的单个基因相关的（可以是表达相关，也可以是其它相关）基因富集在哪些调控通路和分子功能。
分组方法有两种，一种是定性分组，一种是定量相关。
定性分组
根据感兴趣的单个基因的度量值如表达值进行分组，比如按照该基因表达中位数分组，该基因表达值高于中位数的样品为一组，低于中位数的样品为一组，构建一个cls文件。如下，假如有8个样品，其中4个样品中该基因表达高 (samp1, samp3, samp7, samp8)，4个样品中该基因表达低(samp 2 4 5 6)，则cls文件如下 (一定注意样本顺序要一致)：
8 2 1
#gene_high gene_low
gene_high gene_high gene_high gene_high gene_low gene_low gene_low gene_low调整后的表达矩阵格式如下 （注意列的对应，high对高的样品。）
Gene samp1 samp3 samp7 samp8 samp2 samp4 samp5 samp6
A 4 4 4 4 1 1 1 1
B . . . . . . . .
C . . . . . . . .后续的操作就不说了，还是看生信宝典的一文掌握GSEA，超详细教程，看完就都会了。
注：也可以按照该基因表达的第一和三四分位数分组，小于第一四分位数的为一组，大于第三四分位数的为另一组。
相关性排序
与前面把样本分组不同，这里样本不进行分组了，而是把感兴趣基因的表达做为样本的一个属性。在做GSEA分析时，其它基因按照与感兴趣基因的表达相关性排序进行后续分析。
这时应该怎么准备cls文件呢？
咱们先以一个时间序列样本的cls文件为例：
#numeric为固定写法，第一行，不需要修改#Time名字随便取，这里是时间序列，取名Time。#是必须的。第
3行是每个样品的处理时间，0为0小时，1为1小时；每个时间3个重复，所以写了3遍；总共5个时间点，15个样品。
#numeric
#Time
0 0 0 1 1 1 6 6 6 24 24 24 48 48 48回到我们这个例子，还是8个样品，分别为samp 1 2 3 4 5 6 7 8，假如感兴趣基因是A，表达矩阵如下：
Gene samp1 samp2 samp3 samp4 samp5 samp6 samp7 samp8
A 9 8 7 6 3 4 1 2
B . . . . . . . .
C . . . . . . . .这时对应的cls文件这么写（注意一一对应关系）。Aexpr随便起的一个名字，代表A基因的表达。
#numeric
#Aexpr
9 8 7 6 3 4 1 2然后导入GSEA就可以分析了。需要注意的是选择合适的Ranking metric，如pearson相关性、Cosine、Manhattan或Euclidean。
基于相关性的GSEA操作展示
直接看动画，数据格式也有展示，GMT文件是自己整理的。这是1我们单细胞和群体转录组课程的一个小环节 (回头把这部分视频拆出来放到腾讯课堂供访问)。
公众号看不了动画，截图两张，点击阅读原文去查看吧。
讨论学习是个很好的方式，欢迎大家有问题发到train@ehbio.com，信息全的，问题可重现的，或有意思的开放问题我们都会给予解决，写个推文发出，既方便自己，又方便他人。
当然如果类似转录组怎么分析, 宏基因组怎么分析，这样大的问题还是参加我们的线下培训班或购买网课吧，都在www.ehbio.com/Training。
https://m.sciencenet.cn/blog-118204-1322777.html
上一篇：一文掌握Conda软件安装：虚拟环境、软件通道、加速solving、跨服务器迁移
下一篇：值得思考，机器学习模型做出的决策是你想要的吗？
