方燕 鄭曉雪

【摘要】近年來，對多組學(xué)層進(jìn)行綜合分析的要求日益突出，從而產(chǎn)生了一些多組學(xué)富集工具。每種方法在通用性方面都有缺點(diǎn)和局限性。在此，基于GSEA程序包以幫助在多個組學(xué)層上計算基于基因集富集分析的組合途徑富集，該軟件包查詢8個不同的路徑數(shù)據(jù)庫，并依賴基因集富集分析算法進(jìn)行單組學(xué)富集分析。最后，將這些分?jǐn)?shù)相結(jié)合，以創(chuàng)建可靠的復(fù)合多組學(xué)途徑富集措施。

【關(guān)鍵詞】基因集富集分析;數(shù)據(jù)分析;全基因組表達(dá)譜芯片

1基因集富集分析（GSEA）的相關(guān)概述

某種治療的分子反應(yīng)或深入了解臨床表型時，基因集或途徑富集技術(shù)是從高維分子組學(xué)數(shù)據(jù)推斷機(jī)械生物學(xué)信息的首選工具。通過不同的統(tǒng)計技術(shù)，如過度代表性分析（ORA）或GSEA，能夠識別特定的基因集或特定治療或疾病引發(fā)的分子反應(yīng)/信號途徑。這些集合可能代表特定的分子功能，如基因本體論（GO）、生物學(xué)過程或?qū)嶒?yàn)衍生的基因集所定義。這些基因集可在數(shù)據(jù)庫或分子特征數(shù)據(jù)庫（MSigDB）中公開。目前，已經(jīng)開發(fā)了100種算法來豐富基因集分析，每一個都有自身的優(yōu)點(diǎn)和缺點(diǎn)。原則上，這些方法可以分為兩類：一是純基因集富集，其中算法只關(guān)注一個簡單的特征列表;二是基于拓?fù)涞母患?，其中算法包括來自路徑或網(wǎng)絡(luò)數(shù)據(jù)庫的附加信息，例如，哪些基因或蛋白質(zhì)是直接連接以及它們是如何連接的相互影響。在其最新版本中，GSEA適用于11種不同生物體（包括人、小鼠或大鼠）的轉(zhuǎn)錄組、蛋白質(zhì)組和代謝組數(shù)據(jù)的組合[1]。

2工作流—收集路徑定義、特征提取和映射

在過去的幾十年里，已經(jīng)建立了幾個路徑數(shù)據(jù)庫。其中一些是同行評審和人工策劃的，另一些則遵循基于社區(qū)的方法來開發(fā)和確定路徑。然而，這些數(shù)據(jù)庫通常包含自己的格式，提供了路徑定義，這使得一個分析工作流中包含多個數(shù)據(jù)庫變得很麻煩?！癵raphite”和“R”軟件包旨在彌合這一差距，因?yàn)槠淠軌驈?個公開可用的數(shù)據(jù)庫中提供路徑定義——數(shù)量為2。這些數(shù)據(jù)庫中目前可用的人類路徑定義列于括號中：KEGG（311）、Biocarta（247）、Reactome（2208）、NCI/自然路徑交互數(shù)據(jù)庫（212）、HumanCyc（48682）、Panther、smpdb（48668）和PharmGKB（66）。在GSEA工作流程的第一步中，應(yīng)用Graphite軟件包從多達(dá)8個公眾中檢索路徑定義數(shù)據(jù)庫。在數(shù)據(jù)庫中，路徑特征（節(jié)點(diǎn)）用不同的ID編碼格式。例如，KEGG數(shù)據(jù)庫使用Entrez基因ID作為轉(zhuǎn)錄物和蛋白質(zhì)，而KEGG化合物則使用IDs用于代謝產(chǎn)物。相反，Reactome數(shù)據(jù)庫通過Uniprot標(biāo)識符存儲轉(zhuǎn)錄和蛋白質(zhì)，而ChEBI ID則用于代謝產(chǎn)物。進(jìn)一步的代謝物ID格式是CAS編號和Pubchem ID。為了解決這個問題，特別是在一次分析中使用多個路徑數(shù)據(jù)庫時，為所有三個支持的omics層實(shí)現(xiàn)了一個ID映射。為了提高可用性，將這個全面的代謝物映射數(shù)據(jù)集封裝在一個獨(dú)立的AnnotationHub包中，稱為代謝物idmapping（Canzler，2020）。在其當(dāng)前版本中，該軟件包包含超過110萬種化合物，并從四個不同的數(shù)據(jù)庫中收集和集成：Comptox儀表盤12、HMDB3和ChEBI4。

3基因集富集分析的應(yīng)用

測定的的組學(xué)數(shù)據(jù)是計算基因集富集分?jǐn)?shù)所必需的，為上一步從外部數(shù)據(jù)庫中提取特定路徑特征中定義的每個omics層加載這些數(shù)據(jù)。在計算富集分?jǐn)?shù)之前，必須進(jìn)行差異表達(dá)分析，以便所有的組學(xué)特征都具有相關(guān)的倍數(shù)變化和P值。預(yù)處理步驟必須在外部完成，不屬于多個SEA的一部分包裝[2]。第二步，GSEA通過在每個omics層上分別應(yīng)用fgsea Rpackage來計算富集分?jǐn)?shù)。最初形式的GSEA算法首次被描述為闡明2型糖尿病的機(jī)理基礎(chǔ)，更新和最常用的版本是由Subramanian等人提出的。測量的組學(xué)特征用于差異表達(dá)測試，以得出褶皺變化和相關(guān)P值。這兩個值都用于計算所謂的局部統(tǒng)計，即基于折疊變化方向和對數(shù)轉(zhuǎn)換P值的排序基因列表。在接下來的步驟中，GSEA算法測試基因集是聚集在這些有序基因載體的頂部還是底部。這里使用的fgsea版本是一個高效但精確的實(shí)現(xiàn)了突出的GSEA算法。它的性能是通過實(shí)施累積的GSEA統(tǒng)計計算來實(shí)現(xiàn)的，允許在不同基因集大小之間重用樣本。在多GSEA工作流程的第二部分之后，每個下載的路徑都被分配了基于SEA的富集分?jǐn)?shù)、P值和調(diào)整后的P值分開。

參考文獻(xiàn)：

[1]劉虎，吳思浛，包楚陽，等.基因集富集分析探討HER2基因?qū)ξ赴┐x的影響[J].安徽醫(yī)科大學(xué)學(xué)報，2020，5（9）：1339-1342.

[2]廖存，廖錫文，韋瑞麗，等.基于全基因組RNA測序數(shù)據(jù)和基因集富集分析方法對直腸癌發(fā)病機(jī)制的初步探討[J].結(jié)直腸肛門外科，2019，25（4）：422-426.