无代码生信复现：GSEA与聚类分析全流程指南

引言Introduction

在生信分析里，很多人卡在两件事。第一，GSEA结果看得懂，但复现不稳定。第二，聚类图能画出来，却不知道如何把分析流程串起来。如果你希望用更少代码复现一套可追溯、可视化完整的生信流程，这篇文章会直接帮你理清思路。

1. 为什么“无代码复现”在GSEA和聚类分析里很重要

1.1 复现的核心，不是少写代码，而是少出错

在真实项目里，分析失败常常不是算法问题，而是流程问题。比如输入文件格式不统一，基因ID类型选错，排序规则不一致，都会让结果偏离预期。GSEA对排序向量非常敏感，基因集注释文件也必须与ID类型匹配。

这也是为什么无代码复现思路很有价值。它把关键步骤提前封装好。研究者只需要按顺序读取数据、运行脚本、查看结果，就能减少重复劳动。对于医学生、医生和科研人员来说，这种方式更适合在有限时间内完成稳定分析。

1.2 聚类分析和GSEA，其实可以放在同一条证据链里

GSEA回答的是“哪些通路被整体富集”。聚类分析回答的是“样本或特征是否自然分组”。两者不是孤立的。前者提供机制层面的解释，后者提供结构层面的证据。

在转录组项目中，常见做法是先用差异表达筛选候选基因，再做GSEA看通路方向，最后用聚类或热图展示样本分层和基因表达模式。这样组织出来的结果，逻辑更完整，也更适合论文和汇报。

2. clusterProfiler中的GSEA流程，如何做到可复现

2.1 输入文件准备是第一步，也是最关键的一步

在实操中，示例代码通常会先准备一个压缩包，解压后包含 data、figures 和 msigdb_v7.0_GMTs 等文件夹。这里的设计很清晰。data 放输入和结果，figures 放图形，msigdb_v7.0_GMTs 放注释文件。

其中，GSEA_input.txt 是最核心的输入。它会用于 gseGO、gseKEGG 和 GSEA 三类分析。如果输入文件中基因名格式和gmt文件不一致，分析结果就会失真。 例如基因名是 Entrez Gene ID，就应选文件名包含 entrez 的gmt；如果是 Gene Symbol，就选 symbols 文件。

2.2 排序向量决定GSEA结果方向

GSEA不是简单的富集统计。它先把基因按照某个连续指标排序，再检查某个基因集是否集中出现在排序顶端或底端。实操中常见做法是按 logFC 排序。

通常步骤是：

1. 提取 logFC 到 geneList。
2. 用基因名重命名 geneList。
3. 按降序排序。

这一步决定了后面富集曲线的方向。 如果排序错误，富集峰值和负向富集都会失去解释意义。对于做论文图的用户来说，这一步尤其不能省略。

2.3 三类GSEA分析，各有适用场景

在 clusterProfiler 中，常见的三个函数分别是：

• gseGO，用于GO层面的富集。
• gseKEGG，用于KEGG通路层面的富集。
• GSEA，配合msigdb注释文件做自定义基因集分析。

课程示例中，gseGO 选择的是 org.Hs.eg.db，并指定 CC 细胞组分；gseKEGG 选择人类 hsa；GSEA 则读取 msigdb.v7.0.entrez.gmt 后进行分析。这三类分析的共同点，是都依赖同一份排序后的基因列表。

实际操作里，结果会分别写出到文本文件，并且保存为 .Rda 二进制格式。这样做的好处是，后续画图时不需要重新跑分析，能显著提高复现效率。

3. GSEA结果可视化，如何让结论更容易被审稿人接受

3.1 结果图不是越多越好，而是要选对图

GSEA结果可视化常用图形包括 dotplot、cnetplot、heatplot、emapplot、upsetplot、gseaplot、gseaplot2、gsearank 和 ridgeplot。不同图形对应不同问题，不能把它们当成装饰图。

例如：

• dotplot，适合看富集条目和显著性。
• cnetplot，适合看基因和通路的连接关系。
• heatplot，适合展示多个富集基因的表达模式。
• gseaplot，最适合展示单个基因集的富集曲线。
• gseaplot2，适合同时看多个基因集。
• ridgeplot，适合快速比较多个富集条目的分布趋势。

对写文章的人来说，最重要的是让图服务于结论，而不是让图堆砌信息。

3.2 gseaplot系列图，最适合讲清“富集发生在哪里”

gseaplot 的上半部分是排序后的基因列表，下半部分是富集分数变化曲线。黑线表示基因在排序中的位置，红色虚线对应富集分数极值。 这个图最适合解释“某个通路是在排序前端富集，还是在后端富集”。

gseaplot2 可以在一张图里展示多个基因集，适合比较不同通路的变化趋势。若研究中想强调某些免疫通路、代谢通路或细胞周期通路的共同趋势，这类图非常实用。对于医学生和科研人员来说，这类图能把复杂结果压缩成一张可读性很高的证据图。

3.3 山脊图和热图，适合补充整体模式

ridgeplot 更偏向整体比较。它展示的是不同基因集的分布形态和富集趋势。颜色通常可反映 p 值大小，峰形则反映富集变化。 这类图在结果概览时很有价值。

而 heatplot 更适合补充“哪些基因在驱动这个通路”。如果是做机制讨论，热图能帮助你把富集结果和具体基因对应起来。相比只看P值，审稿人通常更愿意看到这种“通路+基因”的双层证据。

4. 聚类分析如何和GSEA结果联动，形成完整流程

4.1 聚类不是单独作图，而是用来验证分组和表达模式

在这套流程里，GSVA和聚类常常会被放在GSEA之后。GSVA先把基因集打分，得到新的表达矩阵，再用 limma 做差异分析，最后结合热图查看样本和基因集的分布模式。这一步的价值，是把“通路层面的富集”转化为“样本层面的聚类差异”。

课程中提到的 GSVA_heatmap.png，就是一个典型输出。它的作用不是单纯展示颜色，而是帮助判断样本是否按生物学分组聚在一起，差异通路是否在组间稳定变化。

4.2 结果文件和图形文件分离，便于回溯和协作

示例目录把结果、图像和代码分得很清楚。这种结构在团队协作中非常重要。data 里保存原始和中间结果，figures 里保存图，.Rproj 用来统一项目环境。这意味着每一步都可追踪，每一张图都能回到对应代码。

对于做课题的人来说，这种规范化管理可以减少“图对不上结果”的问题。尤其是在修改参数、替换样本、更新注释版本时，文件结构越清晰，复现越容易。

5. 适合医学生和科研人员的实操建议

5.1 先统一ID，再做排序，再做富集

很多分析报错，根源都在ID不统一。建议按这个顺序处理：

1. 确认输入基因ID类型。
2. 选择匹配的gmt文件。
3. 按 logFC 或其他连续指标排序。
4. 先跑 gseGO 和 gseKEGG。
5. 再跑 GSEA 做自定义基因集验证。
6. 最后输出图形和结果表。

只要这条链条稳定，GSEA和聚类分析就能形成可复现的标准流程。

5.2 先保存结果，再做图，是更稳妥的做法

课程中把 gsekk、gsego、gsegmt 保存为二进制文件，这是很实用的设计。因为可视化时经常会反复调整参数，比如图例、标题、排序、配色。如果每次都重新跑分析，既浪费时间，也增加不一致风险。

因此，建议把分析和可视化分开。先固定结果，再生成图。这样更适合论文投稿前的多轮修改。

5.3 如果你想快速搭建规范流程，可以借助解螺旋

对于不想从零搭环境、又希望获得规范化GSEA与聚类分析流程的用户，解螺旋 可以作为一个更高效的起点。它能帮助你把分析步骤、结果输出和图形组织成更清晰的工作流，减少重复试错，把时间更多用在解释结果和设计课题上。

总结Conclusion

GSEA和聚类分析并不是两套割裂的流程。GSEA负责解释机制，聚类负责验证模式。 只要输入格式统一、排序规则明确、注释文件匹配，再配合规范的结果保存和可视化输出，就能形成一条完整、可复现、适合发表的生信分析链条。
如果你希望更快搭建这套流程，减少环境和脚本上的反复调试，可以进一步了解解螺旋 提供的生信工具与内容支持。