MSigDB：基因集分析与药物机制研究

MSigDB（Molecular Signatures Database，Broad Institute）是 GSEA 分析的配套基因集资源库，收录数万个经过整理的基因集。它把「一组功能相关的基因」标准化成可复用的单元，是解读组学数据、推断药物作用机制的核心工具。

集合分类

集合	内容	数量级	用途
H — Hallmark	50 个精炼的核心生物过程	50	首选起点
C1	染色体位置	约 300	拷贝数变异分析
C2:CGP	化学与遗传扰动的表达特征	数千	药物机制推断
C2:CP	典范通路（Reactome、KEGG、WikiPathways 等）	数千	通路分析
C3	转录因子与 miRNA 靶标	数千	调控推断
C4	癌症模块与邻域	数百	肿瘤分析
C5	GO 术语基因集	逾万	功能注释
C6	癌基因特征	约 200	致癌通路活性
C7	免疫学特征	数千	免疫分析
C8	细胞类型特征	数百	细胞组成推断

Hallmark 为什么值得优先用

其他集合动辄成千上万个基因集，彼此高度冗余，富集结果往往是一堆意思相近的条目，难以解读。Hallmark 是从原始集合中通过聚类与人工精炼得到的 50 个「非冗余、信号明确」的核心过程（如 EMT、缺氧、TNFA 信号、G2M 检查点、细胞凋亡）。

• 结果好读：50 个术语的富集结果一眼能看完，不需要再做去冗余；
• 多重检验负担小：检验数少，统计效力更高；
• 覆盖核心生物学：涵盖了肿瘤与常见疾病研究最关心的过程。

实践建议：先跑 Hallmark 建立整体图景，再用 C2:CP 或 C5 深入具体通路。反过来做容易迷失在冗余结果里。

GSEA 分析

import gseapy as gp
import pandas as pd

# 预排序 GSEA（推荐）：用全部基因的排序，不需要设阈值
rnk = pd.DataFrame({"gene": de_results["gene"],
                    "score": de_results["log2FC"] * -np.log10(de_results["pvalue"])})
rnk = rnk.sort_values("score", ascending=False)

pre = gp.prerank(
    rnk=rnk,
    gene_sets="h.all.v2023.2.Hs.symbols.gmt",   # Hallmark
    permutation_num=1000,
    min_size=15, max_size=500,
    seed=42, threads=8, outdir="gsea_out",
)
res = pre.res2d.sort_values("NES", key=abs, ascending=False)
print(res[["Term", "NES", "NOM p-val", "FDR q-val", "Tag %"]].head(15))

• NES（归一化富集分数）：正值表示在排序上端富集（上调），负值表示下端（下调）。绝对值反映强度。
• FDR q-val < 0.25 是 GSEA 惯用的探索性阈值（比常规的 0.05 宽松），因为 GSEA 的检验之间高度相关。确证性结论应用更严格的阈值。
• 排序指标的选择：只用 log2FC 会让低表达高变异的基因主导；结合 p 值（如上面的乘积形式）或用 signed −log10(p) 更稳健。

药物机制推断：C2:CGP 的用法

这是 MSigDB 一个很实用但常被忽略的能力。C2:CGP 收录了大量「某个扰动（药物处理、基因敲除）后的表达特征」。把你自己的药物处理转录组与这些特征做富集比较：

• 如果你的化合物特征与某个已知机制的特征高度相似，提示可能是相似的作用机制；
• 这对表型筛选得到的活性化合物（不知道靶点）特别有价值，是靶点去卷积的一条路径；
• 也可用于发现非预期的脱靶效应——如果特征意外地与某个毒性相关扰动相似，值得警惕。
• 与 LINCS L1000（见 268《LINCS L1000》）的连通性分析思路一致，两者可互相印证。

注意事项

• 许可：MSigDB 学术使用免费，部分集合（源自 KEGG、BioCarta 等）的商业使用受原始来源的许可约束，需单独确认。
• 物种：主要面向人类，小鼠版本通过同源映射得到，映射会引入误差。
• 基因集质量参差：CGP 中的特征来自不同实验，条件差异大，跨实验比较要谨慎。
• 基因集大小要限制：min_size=15, max_size=500 是常用设置，过小统计不稳、过大缺乏特异性。

延伸资源

• 功能本体：262《Gene Ontology》；通路：260《Reactome》、261《KEGG》；
• 转录组扰动数据：268《LINCS L1000》；药物重定位：267《PRISM Repurposing》。