GSEA算法

用途与运行方式

• 场景一：指定类别1与类别2进行gsea分析，其中--ident1做为处理，--ident2做为对照

  SDAS geneSetEnrichment gsea -i st.h5ad -o outdir \
  --group_key leiden --ident1 1 --ident2 2 --species human

• 场景二：对obs的某列做子集后再进行gsea分析

  SDAS geneSetEnrichment gsea -i st.h5ad -o outdir \
  --group_key leiden --ident1 1 --ident2 2 --species human \
  --subset_key cell_type --subset_values B

• 场景三：只用感兴趣的数据库进行分析

  SDAS geneSetEnrichment gsea -i st.h5ad -o outdir \
  --group_key leiden --ident1 1 --ident2 2 \
  --gmt sdas_deg_enrichment/lib/GSEADB/h.all.v2024.1.Hs.symbols.gmt,sdas_deg_enrichment/lib/GSEADB/KEGG_2021_Human.gmt

• 场景四：只对感兴趣的通路进行作图，将感兴趣的通路全名写入一个txt文档里面，每个通路一行，然后将这个txt文档通过--pathways参数传入分析流程。需要注意的是使用的数据库中必须包含这些指定的通路名称

  SDAS geneSetEnrichment gsea -i st.h5ad -o outdir \
  --group_key leiden --ident1 1 --ident2 2 \
  --pathways ./pathway.txt \
  --gmt sdas_deg_enrichment/lib/GSEADB/h.all.v2024.1.Hs.symbols.gmt,sdas_deg_enrichment/lib/GSEADB/KEGG_2021_Human.gmt

输入参数说明

gsea参数	是否必须	默认值	描述
-i / --input	是		Stereo-seq h5ad，要求原始矩阵
--group_key	是		需要用于进行gsva分析的对象，用','分隔多个对象
--ident1	是		用于进行GSEA分析的对象名，类似处理组
--ident2	是		用于做对照的对象名
-o / --output	是		结果存放路径
--layer	否		指定表达矩阵，默认用adata.raw.X或adata.X
--gene_symbol_key	否	real_gene_name	指定gene name所在列，默认real_gene_name，如果没有则使用矩阵中的原始基因信息
--species	否	human	指定数据库，'human' 或 'mouse'，默认 'human'，当指定--gmt参数时，该参数不起作用
--subset_key	否		需要提取的值所属的obs名称
--subset_values	否		需要提取的信息，存在多个时用','分隔
--sample_size	否	0	对输入文件的bin数量进行随机取样以减小内存消耗，默认值为0，不做采样
--gmt	否		gmt格式的数据库文件，其中gene name信息必须为大写，多个文件时用','隔开
--graph	否	5	筛选top数量的通路进行画图，默认'5'，指定--pathways参数时，该参数不起作用
--pathways	否		通过txt文件指定一个或多个感兴趣的通路进行画图，这些通路必须在gmt数据库中
--permutation_type	否	gene_set	小于1000个样本时用‘gene_set’，大于1000个样本时用‘phenotype’。默认‘gene_set’。
-v / --verbose	否		启用详细模式，打印任务进度。默认：False
--permutation_num	否	1000	随机置换次数（用于计算ES空值分布）。默认：1000
--min_size	否	15	基因集中包含的输入基因最小数量。默认：15
--max_size	否	500	基因集中包含的输入基因最大数量。默认：500
--weight	否	1	排序指标权重（用于调整基因权重），可选值：{0, 1, 1.5, 2}。默认：1
--method	否	signal_to_noise	基因排序相关性计算方法，可选值： {'signal_to_noise', 'abs_signal_to_noise', 't_test', 'ratio_of_classes', 'diff_of_classes', 'log2_ratio_of_classes'}。默认：'signal_to_noise'
--ascending	否		设置排序指标为升序（指定此参数则ascending=True）。默认：False（降序）
--seed	否	123	随机数种子值。默认：123
--threads	否	1	并行计算使用的线程数。默认：1

输出结果展示

gsea结果文件	描述
GSEA.{database}.csv	csv格式的结果文件
GSEA.{database}.top5.pdf/png	pdf和png格式的图像文件

• 文件格式示例：GSEA.{database}.csv 这个文件是gsea分析结果文件，包含了Name,Term,ES,NES,NOM p-val,FDR q-val,FWER p-val,Tag %,Gene %,Lead_genes等信息。其中Term是通路名称；ES是富集得分(Enrichment Score)，反映基因集成员在排序基因列表（如差异表达基因排序）中的富集程度，正ES：基因集在排序列表顶部富集（与表型正相关），负ES：基因集在排序列表底部富集（与表型负相关）；NES是标准化富集得分 (Normalized Enrichment Score)；NOM p-val是名义p值；FDR q-val是校正后的p值；FWER p-val是族系错误率校正后的p值；Tag %是基因集中位于排序列表核心富集区域的基因百分比；Gene %是分析中实际使用到的基因占基因集总基因数的百分比；Lead_genes是对富集得分（ES）贡献最大的核心基因。

Name	Term	ES	NES	NOM p-val	FDR q-val	FWER p-val	Tag %	Gene %	Lead_genes
gsea	HALLMARK_MYC_TARGETS_V1	0.7472938191195556	2.39333105644001	0.0	0.0	0.0	160/195	18.89%	RPL14;HNRNPA2B1;...
gsea	HALLMARK_OXIDATIVE_PHOSPHORYLATION	0.7431758291176868	2.376055485647371	0.0	0.0	0.0	168/200	20.44%	MDH2;COX8A;...
gsea	HALLMARK_ALLOGRAFT_REJECTION	0.744882727767552	2.3688992213810462	0.0	0.0	0.0	118/194	14.03%	ITGB2;HLA-DRA;...
gsea	...	...	...	...	...	...	...	...	...

• top Terms富集曲线图：GSEA.{database}.top5.pdf/png （见下图示例），图中Enrichment Score为正说明改Term与--ident1正相关，为负说明为负相关。