这个工具让你５分钟搞定GSEA分析！还不来看看？

最新推荐文章于 2024-05-29 11:59:29 发布
最新推荐文章于 2024-05-29 11:59:29 发布
阅读量2.1k 收藏 1
点赞数
文章标签： 科研数据库 GSEA GSEA分析
原文链接：https://www.51xxziyuan.com/55/1028.html
版权

在某一项研究中，我们通过转录组或者蛋白组学研究了干预组和对照组的表达谱，获得了数千个基因的变化信息，如何从这些表达谱中发掘有用的信息？初步的生物信息分析可能已经给我们提供了它们之间的差异倍数，P值等等。接下来我们可以使用在线工具对基因表达的分布进行分析。这里提供一个最近更新的简单又快捷，不需要安装的在线分析工具。

 

01

 

首先点击网站      

见文末

 

如Figure 1所示  第一行显示的是不同的分析类型，从左边起第一个是ORA (Over-representation analysis，过度表达分析 ) 检查符合选择标准的基因，并确定该列表中是否存在统计学上过度表达的基因集。第二个是我们最常用的GSEA （基因富集分析，Gene Set Enrichment  Analysis）（红色圈圈）。GSEA用来确定先验定义的一组基因是否在两种生物学状态（例如表型）之间显示出统计学上显着而且一致的差异。第三个是NTA（Network Topology-based Analysis，基于网络拓扑的分析）。第四个是2019年新增加的功能磷酸化位点分析。

 

文章剩余内容<<<

 

 

科研小行星
关注
  • 0
    点赞
  • 踩
  • 1
    收藏
    觉得还不错? 一键收藏
  • 0
    评论
webgestalt:基因富集分析的在线工具
庐州月光的博客
07-05 4177
欢迎关注”生信修炼手册”!在组学数据分析中，基因富集分析是最常用的方法之一，所有的基因数据分析最终都要落实到功能上去，富集分析作为一种最基础的功能研究方法，通过go, kegg path...
java 排秩,GSEA可视化工具、简易分析工具
weixin_31327207的博客
03-12 330
Gene Set Enrichment Analysis (基因集富集分析)简称GSVA，由麻省理工学院和哈佛大学研究团队2005发表在Proc Natl Acad Sci U S A.提出来的一个基因功能富集方法，目前已经引用2万多次，可谓是做基因富集分析的常用工具[1]。同时GSEA官网在windows平台和MAC平台上也提供一个可视化的软件，只需点击鼠标即可完成。虽然官方提供了图形界面的软件...
云平台教程 | 手把手教你GSEA富集分析和解读
最新发布
Igenebook的博客
05-29 1046
1. 计算富集分数（ES） 富集分数：S 反应基因集（比如某个通路内的基因集）成员 s 在排序基因集 L（比如根据 logFC 排序的差异基因集，默认降序，所以上调基因在顶端）的两端富集的程度。正值ES表示基因集 S 在基因集 L 的顶部富集，负值ES表示基因集 S 在基因集 L 的底部富集。第三部分是排序后所有基因 rank 值的分布，热图红色部分对应的基因在 A 组高表达，蓝色部分对应的基因在 B 组高表达，每个基因对应的信噪比（Signal2noise，前面选择的排序值计算方式）以灰色面积图展示。
GO、GSEA富集分析一网打进
悟道西方
10-22 3839
生物信息学习的正确姿势NGS系列文章包括NGS基础、高颜值在线绘图和分析、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-se...
gsea富集分析结果怎么看_最新最全的基因集功能富集在线平台WebGestalt 2019
weixin_39975486的博客
11-30 1336
过去生物学家一次研究单个基因，而现在我们可以使用高通量技术同时分析成千上万个基因。高通量技术的本质要求生物信息学工具专注于基因集而不是单个基因，例如，微阵列和蛋白质组技术能够挖掘在某些条件下差异表达的基因和蛋白质组，或在不同条件下共表达的基因和蛋白质组。功能富集分析在解释高通量实验结果中发挥着重要的作用，并通常会导向一系列有意思的基因或蛋白质，从中获得独特的生物学见解。WebGestalt是在不同...
gsea富集分析结果怎么看_无需写代码的高颜值富集分析神器
weixin_39716510的博客
11-30 880
无需写代码的高颜值富集分析神器富集分析是了解一个基因集功能倾向性的一个方式，在组学研究领域应用广泛。常见的有基于差异基因的Over-representation分析，也就是常说的GO、KEGG富集分析和Functional class scoring分析，如GSEA。这两种富集分析算法不同，但可以都支持同样的注释集，如GO、KEGG或其他类型的注释。基本原则只有一个：基因集的基因名字与注释集的基因...
gsea:用于基因组富集分析的R包
05-20
本文将深入探讨`gsea`包的核心功能、安装与使用、以及如何通过这个包进行基因组富集分析。 首先，`gsea`包是R生态系统中的一个重要组件，它专门为生物医学研究人员设计，以帮助他们解析大规模基因表达数据。通过...
GSEA2:2 个互补基因集的基因集富集分析 (GSEA)-matlab开发
05-30
GSEA2 是 GSEA 的扩展版本，它根据排序基因列表评估两个互补基因集的富集情况。 基因组的例子包括 (a) TF 激活和 TF 抑制基因，(b) 促凋亡和抗凋亡基因。 参考1. Lim WK、Lyashenko E 和 Califano A. (2009) 用作...
GSEA_Win_4.0.2-installer.exe
10-21
GSEA富集分析，1、准备三个文件第一行：#1.2，表示版本号，自己准备文件时照抄就行； 第二行：两个数分别表示gene NAME的数量和样本数量（矩阵列数-2）； 矩阵：第一列是NAME；第二列Description，没有的话可以全用...
数据挖掘 gsea-3.0.jar
06-06
数据挖掘 gsea-3.0.jar
GSEA在全基因组表达谱芯片数据分析中的应用
07-26
GSEA在全基因组表达谱芯片数据分析中的应用，比较系统的介绍了GSEA的用法，有利于初学者的学习
一文掌握GSEA通路富集分析，超详细教程！
悟道西方
12-21 2万+
生信宝典之前总结了一篇关于GSEA富集分析的推文——GSEA富集分析：从概念理解到界面实操，介绍了GSEA的定义、GSEA原理、GSEA分析、Leading-edge分析等，是全网最流行的...
【富集分析】
weixin_47151413的博客
02-25 1310
富集分析富集分析方法ORA与GAEA数据格式 富集分析方法 过表征分析 (over representation analysis, ORA) 基因富集分析 (gene set enrichment analysis, GSEA） ORA与GAEA 基因集的分析策略可以分成兩類: over-representation analysis (ORA)與gene-set enrichment analysis (GSEA)。這兩種方法最大的差別是，ORA會先經過篩選，挑出我們有興趣的基因，而GSEA則不經過篩選
富集分析
FanJin的博客
11-14 1万+
说到富集分析，做生信的童鞋立刻就会想到GO/KEGG Enrichment、GSEA这两大类方法。但这只是富集分析的两种常见形式，富集分析的概念要更广。GO/KEGG Enrichment 这一类富集分析是最简单的富集方法，只关心基因集的富集比例；GSEA类方法更进一层，还关心基因集在打分排序中的分布情况。我们经常使用富集分析的p值以及FDR值，判断是否富集显著。然而对应的统计量如何计算？富集分析...
gsea富集分析结果怎么看_这么炫酷的图，竟然是富集分析结果？
weixin_39944515的博客
11-30 9062
富集分析的意义转录组测序是高通量测序中应用最广泛的技术。在转录组的文章中，一般的分析套路如图1所示。第一步：通过转录组测序，我们可以获得样本间各个基因的表达量信息，从中可以筛选出关注的目标基因。这些基因可以是经过差异分析获得的差异基因，也可以是通过趋势分析获得的基因集。只要是你想关注的基因组成的集合都是可以的。第二步：获得目标基因后，需要将基因和生物学功能联系起来，这时候就需要富集分析将...
一文掌握GSEA富集分析-最详细教程
热门推荐
悟道西方
04-26 5万+
之前总结了一篇关于GSEA富集分析的推文——《GSEA富集分析 - 界面操作》，大略介绍了GSEA的定义、GSEA原理、GSEA分析、Leading-edge分析等，不太了解的朋友可以点击阅读先理解下概念。 最近用自己数据实战分析时用到了该方法，故将一些之前遗漏的点补充整理出来分享给大家。 从前文中我们了解到GSEA分析的目的是要判断S集基因（基于先验知识的基因注释信息）中的基因是随机分布还是聚集...
gsea富集分析结果怎么看_基因富集分析算法介绍
weixin_39965490的博客
11-21 3293
之前我们介绍了富集分析的基本的内容：GO分析和KEGG分析都是啥？。但是富集分析还是有很多不同的算法的，对于主要的算法过程其实不用太多了解，这个由专业人士来解决就行。但是对于其输入条件和主要区别还是要了解的，这样能方便我们使用。◆ ◆ ◆ORA (Over Representation Analysis)过表达分析我们常规的做的或者公司给的富集分析的结果里面给的GO分析和KEGG分析的结果就是使用...
GSEA分析详细步骤
tqptr_opqww的博客
03-21 4817
GSEA分组分析 文章目录GSEA分组分析@[toc]1. 根据基因文件进行处理筛选2. 文件内容补充及改名3. GSEA软件使用GSEA单基因分析 这段时间有空为了某人学习了一下不属于我的领域的东西——GSEA分析（基因富文本分析），下面总结最近所学GSEA分析的步骤及方法。 1. 根据基因文件进行处理筛选 对于已有的基因文件，一般是xslx或者是csv格式（不要问基因文件哪来的，外行人的我猜测应该是可以从某某网站下载），而这个文件一般排序都是乱的且只有一列，所以这个时候就要进行分列并排序了。如图为基因
GSEA富集分析 - 界面操作
悟道西方
11-17 3万+
欢迎关注微信公众号生信宝典：http://mp.weixin.qq.com/s/3Nd3urhfRGkw-F0LGZrlZQGSEA定义Gene Set Enrichment Analysis (基因集富集分析)用来评估一个预先定义的基因集的基因在与表型相关度排序的基因表中的分布趋势，从而判断其对表型的贡献。其输入数据包含两部分，一是已知功能的基因集 (可以是GO注释、MsigDB的注释或其它符合格
一个基因的GSEA分析代码
06-01
以下是一个简单的基因的GSEA分析代码示例，供参考： ```python import pandas as pd import numpy as np from scipy.stats import norm # 读取基因表达数据 gene_expression_data = pd.read_csv("gene_expression_data.csv") # 读取基因集合数据 gene_set_data = pd.read_csv("gene_set_data.csv") # 计算每个基因的表达值的均值 gene_expression_mean = gene_expression_data.mean(axis=1) # 基于基因表达均值计算基因的排名 gene_ranks = gene_expression_mean.rank(method='min') # 初始化GSEA参数 n_genes = len(gene_ranks) n_perms = 1000 gene_set_size_min = 15 gene_set_size_max = 500 alpha = 0.05 # 计算基因集合的ES值 def calculate_es(gene_set): gene_ranks_in_set = gene_ranks[gene_ranks.index.isin(gene_set)] gene_set_size = len(gene_ranks_in_set) if gene_set_size < gene_set_size_min: return np.nan else: es = 0 running_sum = 0 for gene_rank in gene_ranks: if gene_rank in gene_ranks_in_set: running_sum += 1 else: running_sum -= 1 es = max(es, running_sum) return es / gene_set_size # 计算基因集合的NES值 def calculate_nes(gene_set, gene_set_es, gene_set_size): gene_set_mean = gene_expression_mean[gene_expression_mean.index.isin(gene_set)] gene_set_sd = np.std(gene_set_mean, ddof=1) if gene_set_sd == 0: return np.nan else: nes = gene_set_es / gene_set_sd return nes # 计算随机排列基因集合的ES值 def calculate_permutation_es(gene_set): permuted_ranks = gene_ranks.sample(frac=1).reset_index(drop=True) permuted_es = calculate_es(gene_set, permuted_ranks) return permuted_es # 计算基因集合的p值和FDR校正的p值 def calculate_p_value(gene_set_es, permutation_es): p_value = (np.sum(permutation_es >= gene_set_es) + 1) / (len(permutation_es) + 1) fdr_p_value = p_value * n_perms return p_value, fdr_p_value # 进行GSEA分析 results = [] for index, row in gene_set_data.iterrows(): gene_set = row['gene_set'].split(',') gene_set_es = calculate_es(gene_set) if np.isnan(gene_set_es): continue gene_set_size = len(gene_set) if gene_set_size < gene_set_size_min or gene_set_size > gene_set_size_max: continue permutation_es = [calculate_permutation_es(gene_set) for i in range(n_perms)] p_value, fdr_p_value = calculate_p_value(gene_set_es, permutation_es) if fdr_p_value <= alpha: nes = calculate_nes(gene_set, gene_set_es, gene_set_size) results.append({ 'gene_set': row['gene_set'], 'es': gene_set_es, 'nes': nes, 'p_value': p_value, 'fdr_p_value': fdr_p_value, 'gene_set_size': gene_set_size }) # 输出结果 results_df = pd.DataFrame(results) results_df = results_df.sort_values(by=['fdr_p_value'], ascending=True) print(results_df) ``` 这个代码是一个简单的基因的GSEA分析代码示例，具体实现过程如下： 1. 读取基因表达数据和基因集合数据，计算每个基因的表达值的均值。 2. 基于基因表达均值计算每个基因的排名。 3. 初始化GSEA参数，包括基因集合的大小范围、置信水平等。 4. 定义计算基因集合的ES值、NES值、随机排列基因集合的ES值、p值和FDR校正的p值的函数。 5. 对每个基因集合进行GSEA分析，计算其ES值、NES值、p值和FDR校正的p值，筛选出FDR校正的p值小于等于置信水平的基因集合，并将结果保存在结果列表中。 6. 输出结果，按照FDR校正的p值升序排列。 需要注意的是，这个代码只是一个简单的示例，实际应用中可能需要根据具体情况进行修改和优化。

“相关推荐”对你有帮助么？

  • 非常没帮助
  • 没帮助
  • 一般
  • 有帮助
  • 非常有帮助
提交
评论
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付：10.00元
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付元
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明：

1.余额是钱包充值的虚拟货币，按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载，可以购买VIP、付费专栏及课程。

余额充值