GSEA( Gene Set Enrichment Analysis)，是2005年由Broad Institute研究开发的一种基于基因集的富集分析方法，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。GSEA是从所有基因的表达丰度出发，分析在不同的通路中的基因的整体表达影响，这也是区别于GO/KEGG富集分析的地方，GSEA不需要设定差异阈值筛选目标基因集，理论上更容易囊括细微但协调性的变化对生物通路的影响。Broad研究所在GSEA发布8年之后，开发了GSVA（Gene Set Variation Analysis）算法来拓展基因集分析的应用。GSEA分析主要用于两两组间比较的方案设计中，对于分组比较复杂的方案设计则比较适合GSVA分析，GSVA不需要预先进行样本之间的差异分析，依据表达矩阵就可以计算每个样本中特定基因集的变异分数。

加权基因共表达网络分析（Weighted Gene Co-expression Network Analysis, WGCNA）是构建基因共表达网络的常用方法，可以探索模块与特定表型或疾病的关联关系,最终达到鉴定基因网络的目的；单细胞测序技术可以揭示特定肿瘤组织中的细胞特异性，对细胞进行分类，并且识别特定的标志物，但其检测的细胞数量和病例来源都是有限的。利用WGCNA分析单细胞转录组测序数据，可以提供一套有别于高変基因、差异分析的方法，不依赖于数据库直接用表达量的相关性值预测调控关系，筛选某些细胞亚群中有关联作用的基因集（称为模块），可以从成千上万的基因中挑选出高度相关的基因的模块，并将模块与表型进行关联，寻找marker gene或治疗靶点。

基因表达具有时间和空间特异性，单细胞转录组主要从时间上研究基因表达，能够系统的识别组织中的细胞亚群，但没有捕获其空间组织信息，限制了我们对组织及细胞间相互作用的理解。而空间转录组的应用使得人们能够从空间的角度解析数据，在空间上研究基因的表达。通过整合两种数据模式，将单细胞转录组数据和空间转录组数据进行联合分析，在时空上分析基因的表达具有重要的意义。

如果您对以上个性化分析方案感兴趣，欢迎点击下方按钮联系我们，我们将免费为您设计文章思路文章。