GSEA最常用的公用MSigDB数据库

MSigDB数据库

http://software.broadinstitute.org/gsea/msigdb

定义了已知基因集，包括H和C1-C7八个系列（Collection/cluster），每个系列内容为：

H: hallmark gene sets （效应）特征基因集合，共50组；

C1: positional gene sets 位置基因集合，根据染色体位置，共326个；

C2: curated gene sets：（专家）共识基因集合，基于通路、文献等（包括KEGG）；

C3: motif gene sets：模式基因集合，主要包括microRNA和转录因子靶基因两部分；

C4: computational gene sets：计算基因集合，通过挖掘癌症相关芯片数据定义的基因集合；

C5: GO gene sets：Gene Ontology 基因本体论（包括BP/CC/MF）；

C6: oncogenic signatures：癌症特征基因集合，大部分来源于NCBI GEO 未发表芯片数据；

C7: immunologic signatures: 免疫相关基因集合。

后续做分析时需要从中选择感兴趣的基因集。

很显然，这个数据集里，各数据中包含的“兴趣爱好”基因不论是从名称、功能、还是数量上都是有所不同的。

这个数据库，最明显的优势依据是，认为生物的所有的工程，绝非是一个基因或者几个基因导致结果；必然是一群基因协作的结果。

从Hallmark到C7，免疫集合。

另外，看到哪个集合，可以点击后，大体看看有些什么基因。也可以直接提取出来，做ven图之列的交集分析。

再专门记录上这个页面的网址：

https://www.gsea-msigdb.org/gsea/msigdb/genesets.jsp?collection=C7

1. H: hallmark gene sets

该类别包含了由多个已知的基因集构成的超基因集，每个H类别的基因集都对应多个基础的其他类别的基因集。比如HALLMARK_ADIPOGENESIS对应36个基因集。

说明一下：Hallmark gene sets 一般都会有结果。

其他的，只能看运气。

另外就是在gene名称转换的时候，如果丢失太多，会影响结果。

2. C1: positional gene sets

该类别包含人类每条染色体上的不同cytoband区域对应的基因集合。根据不同染色体编号进行二级分类。

3. C2:curated gene sets

该类别包含了已知数据库，文献和专家支持的基因集信息，包含5个二级分类

在应用中，如果实在是无法在8个现有的基因集中找到某个符合自己研究方向的有意义的分析结果，那么还可以用随机GSEA来分析。尤其如果想做一些开创性的研究，可以用这个"RGSEA"package试验一下。http://www.bioconductor.org/packages/release/bioc/html/RGSEA.html

4.x版本后的装载

if (!requireNamespace("BiocManager", quietly = TRUE))
    install.packages("BiocManager")

BiocManager::install("RGSEA")