fGSEA分析富集结果过少的技术咨询

关于GSEA的基因过滤阈值 #

• 不建议仅用padj < 0.05的基因做GSEA：GSEA的核心逻辑是利用所有基因的表达变化趋势检测通路的整体偏移，而非仅依赖显著差异基因。你观察到的炎症/白细胞招募基因上调的生物学趋势，正是通路整体变化的体现，但仅筛选显著基因会丢失大量趋势性信息，导致GSEA无法捕捉到通路的富集信号。
• 推荐做法：直接使用所有基因的log2FoldChange值进行GSEA，无需过滤padj。如果担心非显著基因的干扰，可以给绝对值小于0.1的log2FoldChange设为0，或者直接输入DESeq2输出的stat值（该值结合了倍数变化和统计显著性，更适合GSEA排序）。
• 结果解读调整：即使FDR未达到0.05，只要通路的NES值方向符合预期、p值接近显著（如p<0.1），结合你的生物学背景，可以在讨论中提及这种趋势——尤其是样本量有限的情况下，这种趋势本身就有生物学意义。

关于样本量小的伪批量处理问题 #

• 禁止人为拆分伪重复：给单只小鼠创建2个伪重复属于制造假重复，会导致DESeq2错误估计方差，大幅增加假阳性风险。伪批量的核心是保留真实的生物学重复（每只小鼠对应一个伪批量样本），而非拆分细胞。
• 替代方案：
  1. 调整DESeq2参数：对于n=2的小样本，使用DESeq(..., betaPrior=TRUE)，该参数在样本量较小时能更稳定地估计差异表达。
  2. 换用limma-voom做伪批量分析：limma在小样本场景下的表现通常优于DESeq2，更适合处理低重复数据集。
  3. 合并相似细胞亚群：如果同细胞类型的不同亚群功能相近，可以合并后再做伪批量，增加每个样本的细胞数，提升统计效力。
  4. 补充细胞水平秩检验：用Seurat的FindMarkers做Wilcoxon秩和检验作为补充，但需明确说明这是基于细胞水平的检验，存在伪重复风险，仅作为趋势验证。

代码优化建议 #

以下是调整后的GSEA代码，直接使用所有基因进行分析：

# 加载数据时不筛选padj
data <- analysis_list[["12"]]
# 去除含NA的基因，转换为命名向量
gsea_data <- data %>%
  select(gene, log2FoldChange) %>%
  filter(!is.na(log2FoldChange))

gsea_data_vec <- gsea_data$log2FoldChange
names(gsea_data_vec) <- gsea_data$gene
# 按log2FoldChange降序排序（提升fgsea运行效率）
gsea_data_vec <- sort(gsea_data_vec, decreasing = TRUE)

# 运行fGSEA
gsea_out <- fgsea(filtered_gs,
                  stats = gsea_data_vec, 
                  scoreType = "std", 
                  minSize = 15, 
                  maxSize = 500,
                  nPermSimple = 10000)

# 按p值排序查看结果
gsea_out %>% arrange(pval) %>% head(20)

其他注意事项 #

• 确保基因集的基因名与差异分析结果中的基因名完全匹配（比如统一使用MGI符号，无大小写或格式差异）。
• 可尝试使用更聚焦的基因集（比如仅保留GO:BP中的免疫相关通路），减少多重检验压力。
• 小样本差异分析中，优先报告效应量（log2FoldChange）而非仅依赖显著性，结合通路趋势支撑生物学结论。

内容的提问来源于stack exchange，提问作者Smeerlap