本文关键词：GEO数据库做gsea功能富集

真的服了，每次看到网上那些“五分钟教你跑通GSEA”的教程，我都想扔键盘。那种把复杂的东西说得像喝水一样的文风，害我前期在Rstudio里头撞包了整整三天。今天不整虚的，直接把我自己从报错信息里爬出来的GEO数据库做gsea功能富集 经验甩给你。特别是那些用Limma或者edgeR做差异分析后，直接拿top genes去跑GSEA结果全是乱码或者P值爆炸的朋友，往下看。

第一步：别急着跑函数，先看你手里的数据长啥样

很多新手最大的误区就是拿到基因列表直接扔进clusterProfiler。你那些rank_list排序逻辑对吗？GSEA最核心的是排序列表，不是差异显著性列表。我是建议直接用log2FC绝对值乘以 -log10(p.adjust) 来排序，还是直接用log2FC？我试了几轮，发现如果你的差异倍数不大但P值显著的情况多，直接用log2FC排序，GSEA往往能找出那些被limma漏掉的“隐形富集通路”。这点很关键，GEO数据库做gsea功能富集 的精髓就在这排序权重里，别死记硬背教程。

第二步：参考集别乱用，MSigDB版本要锁死

我去下载c5.cp.kegg.gmt文件的时候，手抖下了个旧的B版，结果跑出来的通路全是些十年前的老黄历，跟现在的文献对不上。后来才搞清楚，GMT文件里的通路定义是会更新的。我现在的习惯是，固定用最新的MSigDB v2024_1，并且在脚本里写死这个版本号。别跟我说“差不多就行”，生物信息这东西，差不多就是差很多。另外，如果你用的是小鼠数据，记得把物种前缀改对，不然GSEA会报“gene not found in reference set”，这个错我也栽过跟头，排查了半天才发现是小鼠基因符号没转成小鼠专用ID。

第三步：参数设置里的深水区

nperm=1000是默认值？错。我一般设nperm=1000，但如果你的样本量小于20，我建议加大到5000甚至10000，不然P值不稳定，今天跑是显著，明天跑就不显著了，这种灵异事件我亲眼见过。还有个坑，ESUmin和ESUmax，这两个参数默认是0.25，但我发现对于肿瘤异质性大的样本，把ESUmin调到0.05，能挖出很多低表达但协同变化明显的通路。当然，代价是计算时间会变长，R核数设满，喝杯咖啡等着就行。

第四步：结果解读别只看Nominal p

我看到好多论文，图很漂亮，但全是Nominal p < 0.05，FDR居然全大于0.25。这种结果发出来会被同行diss的。GEO数据库做gsea功能富集 的结果里，FDR.Q才是硬道理。如果FDR.Q > 0.05，那就换个基因排序方式，或者检查下样本有没有污染。我后来发现，有时候FDR压不下去，是因为batch effect没去干净。记得先跑limma的sva或者ComBat去批次效应，再去跑GSEA，不然你的富集结果可能都是技术噪音。

最后啰嗦一句，GSEA是个黑盒工具，你得懂它背后的超几何分布原理，不然参数乱调就是玄学。我踩过最大的坑就是把相关性基因和差异基因搞混了，GSEA喜欢差异基因，不喜欢高相关基因。希望这篇能帮你省掉我那三天三夜的调试时间。如果还有报错，把log甩出来，咱们一个个debug。