MsigDB 数据库

GSEA | MSigDB: https://www.gsea-msigdb.org/gsea/msigdb/index.jsp

分子特征数据库(Molecular Signatures Database, MSigDB)是一个包含数万个注释基因集的资源库，这个数据库是专门为了 GSEA 设计的。基因集富集分析(GSEA)是一种计算方法，用于确定预先定义的基因集在两个生物状态(如表型)之间是否具有统计学显著且一致的差异。简单来说就是根据两个条件下（实验组和对照组）下，基因表达在同一个预先定义的基因集合中有没有显著性差异，这个基因集都是根据某一个特征对基因进行分组归类，有利于探索我们的数据有没有此类功能的变化

数据库简述

先介绍一下 MisigDB 数据库下有哪些注释基因集合吧。目前网站基因集分为两个大的板块，主要是人类基因集和鼠类基因集。截至目前，人类分子特征数据库(MSigDB)中的 35134 个基因集被划分为 9 个主要集合和若干子集合。小鼠分子特征数据库(MSigDB)中的 17063 个基因集分为 6 个主要集合和若干子集合。

图片

图片

人类 MSigDB 基因集数据库

H ：标记性基因集（50 个基因集）

Liberzon A, Birger C, Thorvaldsdóttir H, Ghandi M, Mesirov JP, Tamayo P. The Molecular Signatures Database (MSigDB) hallmark gene set collection. Cell Syst. 2015 Dec 23;1(6):417-425. doi: 10.1016/j.cels.2015.12.004                  . PMID: 26771021                  ; PMCID: PMC4707969.  

代表生物学过程的核心特征（50个）。这些标志性基因集通过结合自动化计算流程与人工专家审校的混合方法生成，详细条目意义文章中很清晰的列清楚了。另外这个基因集主要为了克服基因集 “冗余” 问题。以下是文章中这个问题的描述：

冗余（redundancy）在基因集分析中有多种表现形式。最直接的情况是，不同的基因集可能包含了大量相同的基因（即基因集之间有很大重叠）。更微妙的冗余是，某些基因集虽然只部分重叠，但它们的注释实际上都指向了相似或相同的生物学过程。这种情况下，这些基因集可能只是同一生物过程的不同“转录表达特征（transcriptional readouts）”——也就是说，它们都在反映同一个生物学过程的不同方面。

在这两种情况下，如果你做基因集富集分析（GSEA），这些高度重叠或功能相似的基因集会同时被检出为显著的结果。这样一来，分析结果就会出现很长的“显著基因集列表”，其中很多其实都代表了同一个或相似的生物学过程（即，信息重复了）。

更进一步，很多得分很高但彼此重叠或冗余的基因集会占据结果列表的前列，把其他可能同样重要但不那么冗余的基因集“挤”到后面，导致你很容易忽略这些潜在的重要发现，没能充分利用GSEA的全部价值。

此外，如果某个生物学过程在结果列表的前面被大量冗余的基因集所代表，这会影响富集分数（enrichment score）分布的“尾部”，从而让这些冗余的基因集看起来更加显著（即，统计显著性被夸大）。

C1：位置基因集（302 个基因集）

染色体位置基因集，基于基因在染色体上的位置分组。这个基因集的注释信息来源于Ensembl BioMart里的染色体和核型带（Karyotype band）数据（具体使用的版本可参考MSigDB的发布说明），并且反映了主组装（primary assembly）上的基因结构。这些基因集对于研究与染色体缺失或扩增、基因剂量补偿、表观遗传沉默，以及其他染色体区域相关的效应。

比如一个基因集 chr10p11,是指人类第10号染色体短臂上的第11号带。

C2: 人工整理的基因集（7561 个基因集）

C2 集合分为以下两个子集：化学与遗传扰动(Chemical and genetic perturbations, CGP)和经典通路(Canonical pathway, CP)。

CGP：化学与遗传扰动

CGP 子集的大部分数据来源于生物医学文献的整理工作。通过微阵列和测序研究，已鉴定出许多重要生物学和临床状态（如癌症转移、干细胞特性、耐药性）的特征基因集。与旨在反映细胞过程通用描述的通路数据库不同，CGP 主要提供源自扰动实验的特定靶向特征集。其中多组基因集成对出现：xxx_UP（及 xxx_DN）基因集分别代表受扰动诱导（及抑制）的基因。大多数 CGP 集均从出版物中整理而来，包含 PubMed 引文链接、基因集具体来源（如表 1）以及 GEO 或 ArrayExpress 数据库中对应原始数据的链接。当基因集涉及遗传扰动时，其简要描述会包含 NCBI（Entrez）基因数据库中该基因条目的链接；若涉及化学扰动，则描述中包含 NCBI PubChem Compound 数据库相应化合物条目的链接。

CP：经典通路

这个基因集是通过多个在线数据库整理而来。

• BioCarta pathway database
• KEGG MEDICUS pathway database
• PID pathway database
• Reactome pathway database
• Wikipathways pathway database
• KEGG pathway database (canonical pathways gene sets)

C3: 调控靶基因集（3713 个基因集）

代表转录因子或 microRNA 潜在调控靶点的基因集。这些集合由共享调控元件的基因组成。基序代表启动子和 3'-UTR 中已知或可能的顺式调控元件。这些基因集可将表达谱实验中的变化与假定的顺式调控元件联系起来。C3 集合分为两个子集合：microRNA 靶标（MIR）和转录因子靶标（TFT）。

MIR：microRNA 靶标

miRDB

这些基因集包含了通过 MirTarget 算法（Liu and Wang, 2019）计算预测得到的人类 miRNA 靶基因。数据整理自 miRDB v6.0（mirdb.org，Chen and Wang, 2020），只选取了 MirTarget 评分高于80（即高置信度预测）的靶基因。miRDB v6.0 中收录的 miRNA 来源于 miRBase v22（2018年3月发布）。

MIR_LEGACY

这些是早期的基因集，曾经代表C3:MIR子集，在MSigDB v7.1之前使用。）这些基因集由在其3'非翻译区（3'UTR）中共享相同7个核苷酸序列（7-mer motif）的基因组成。每一个7个碱基的序列都与成熟的人类miRNA（收录于miRBase v7.1，2005年10月）的“seed区”（第2到第8位碱基）互补。

TFT: 转录因子靶标

GTRD

这些基因集包括预测在其启动子区域（即转录起始位点前1000bp到后100bp的区域，-1000,+100 bp）含有特定转录因子结合位点的人类基因。基因集来源于Gene Transcription Regulation Database（GTRD, gtrd.biouml.org）的统一分析流程，每个基因集代表了每个转录因子的潜在调控靶基因候选列表。

TFT_LRGACY

（这些是早期的基因集，曾在 MSigDB v7.1 之前代表 C3:TFT 子集。）这些基因集包含了共享上游顺式调控元件（motif）的基因，这些元件可能作为潜在的转录因子结合位点。

C4: 计算基因集（1006 个基因集）

通过挖掘大量癌症相关表达数据定义的计算基因集。该集合分为三个子集：精选癌症细胞图谱(3CA)、癌症基因邻域(CGN)和癌症模块(CM)。

3CA: 精选癌症细胞图谱

Gavish, A., Tyler, M., Greenwald, A.C. et al. Hallmarks of transcriptional intratumour heterogeneity across a thousand tumours. Nature618, 598–606 (2023). https://doi.org/10.1038/s41586-023-06130-4                                                                                                            

作者们整理、注释并整合了来自77项不同研究的数据，分析了1163个肿瘤样本（涵盖24种肿瘤类型），以揭示肿瘤间转录异质性的模式。他们在恶性肿瘤细胞中鉴定出了41个共识“元程序”（meta-programs）（基因集名称前缀为 GAVISH_3CA_MALIGNANT_METAPROGRAM_），每个元程序由在多个肿瘤的细胞亚群中协同上调的一组基因组成。这些元程序涵盖了多种细胞过程，包括通用过程（如细胞周期、应激反应）和特定谱系的表达模式。作者还将元程序分析拓展到了六种常见的非恶性细胞类型（这些基因集名称前缀为 GAVISH_3CA_METAPROGRAM_）。https://www.weizmann.ac.il/sites/3CA/

CGN：癌症基因邻域

在 Subramanian, Tamayo 等人 2005 年的 GSEA 论文中，作者从四个表达谱数据库中挖掘了相关基因集。首先，基于内部资源和 Brentani, Caballero 等人的文献，整理了380个与癌症相关的基因列表。以每个基因的表达谱为模板，计算其与所有其他基因的皮尔森相关系数，并按照相关性排序。设定相关性阈值 R ≥ 0.85，筛选出与模板基因高度相关的基因（即“neighborhood”）。每个 compendium 独立计算相关性，因此每个癌基因在不同数据集中可以有不同的“neighborhood”。若某一 neighborhood 在该阈值下包含的基因数少于25，则不纳入分析。最终得到427个基因集。

CM: 癌症模块

由 Segal E、Friedman N、Koller D 和 Regev A 定义的基因集。该研究展示了一个显示癌症中表达模块条件活性的模块图谱（《自然遗传学》2004 年 10 月；36(10):1090-8）。简言之，作者从 KEGG、GO 等多种资源中汇编了基因集（"模块"）。通过挖掘大量癌症相关微阵列数据集，他们确定了 456 个在多种癌症条件下显著变化的此类模块。 http://robotics.stanford.edu/~erans/cancer。

C5: 本体论基因集（16228 个基因集）

基因集来源于本体论资源，分为四个子集合，均源自本体论注释。这些本体论注释由其各自权威机构维护的数据库整理而成。过于宽泛（产生超过 2000 个基因）或产生少于 5 个基因的基因集的本体论术语已被排除。

BP：生物过程

CC：细胞组分

MF：分子功能

HPO：人类表型本体论

人类表型本体（HPO）提供了一套标准化的词汇表，用于描述人类疾病中出现的表型异常（https://hpo.jax.org/）。HPO 注释包含这些表型异常及其与已知参与该异常发育的基因集合之间的关联，这些关联是通过医学文献、Orphanet、DECIPHER 和 OMIM 等资源建立的。该子集合中的基因集以"HP"为前缀，表明其来源本体。

C6: 致癌特征基因集（189 个基因集）

基因集代表了在癌症中常常失调的细胞通路特征。大多数特征谱直接来自 NCBI GEO 的微阵列数据或内部未发表的基因表达谱实验，这些实验涉及已知癌症基因的扰动。此外，还有少量致癌特征谱是从科学出版物中整理而来。

C7: 免疫特征基因集（5219 个基因集）

免疫特征数据库(ImmuneSigDB)由代表免疫系统中细胞类型、状态及扰动广泛整理工作的基因集组成。这些特征通过人工整理人类和小鼠免疫学已发表研究而生成。首先收集了免疫学文献中发表且原始数据已存入基因表达综合数据库(GEO)的相关微阵列数据集。针对每项发表研究，确定了相关比较组(如野生型 vs 基因敲除；治疗前 vs 治疗后等)，并创建了简明的生物学意义描述。所有数据采用相同方式进行处理和标准化以识别基因集，这些基因集对应于每个指定比较组中通过互信息排序的顶部或底部基因(FDR<0.02 或最多 200 个基因)。

VAX：疫苗反应基因集合

C7 还有一个单独的子集，源自人类免疫计划联盟（HIPC）对 62 篇文献中约 50 种疫苗相关基因表达结果的系统整理。初始文献筛选通过 PubMed 检索匹配"疫苗[AND]特征"或"疫苗[AND]基因表达"的论文完成。入选标准要求每个基因列表必须显示具有统计学意义的差异基因表达。

C8: 细胞类型特征基因集（866 个基因集）

包含人类组织单细胞测序研究中鉴定出的细胞类型标记基因的基因集。这些基因集从文献中精心整理而来，代表了各自原始出版物中描述的标志性基因和细胞类型鉴定结果。

** 有些单细胞 marker 数据库中使用的信息就一部分来自于这些基因集。**

小鼠 MSigDB 基因集数据库

小鼠分子特征数据库(MSigDB)中的 17063 个基因集分为 6 个主要集合和若干子集合。其中相照应集合意义和人源基本一致

NH：标志性基因集（50 个基因集）

Liberzon A, Birger C, Thorvaldsdóttir H, Ghandi M, Mesirov JP, Tamayo P. The Molecular Signatures Database (MSigDB) hallmark gene set collection. Cell Syst. 2015 Dec 23;1(6):417-425. doi: 10.1016/j.cels.2015.12.004                   . PMID: 26771021; PMCID: PMC4707969.

和人标志性基因集一样，这个基因集是人源基因集的同源转换版本。

M1: 位置基因集（341 个基因集）

对应小鼠染色体细胞遗传学条带的基因集。

M2: 精选基因集（2733 个基因集）

M3: 调控靶基因集（2047  个基因集）

M5: 本体论基因集（10872 个基因集）

M7: 免疫特征基因集（787 个基因集）

M8: 细胞类型特征基因集（233 个基因集）

基因集数据下载

人类 MSigDB 基因集：https://www.gsea-msigdb.org/gsea/msigdb/human/collections.jsp

小鼠 MSigDB 基因集：https://www.gsea-msigdb.org/gsea/msigdb/mouse/collections.jsp

基因集数据格式

GMT: 基因矩阵转置文件格式（*gmt）

GMT 文件格式是一种描述基因集的制表符分隔文件格式。在 GMT 格式中，每行代表一个基因集。 .

图片

• 第一列：基因集名称
• 第二列：基因集描述链接
• 第三列及其后：该基因集中的基因