上一篇GSEA可以做什么之后，繼續進行結果解讀
1 Enrichment score（ES）
ES是GSEA最初的結果，反應全部雜交data排序后，在此序列top或bottom富集的程度。
ES原理：掃描排序序列，當出現一個功能集中的gene時，增加ES值，反之減少ES值，所以ES是個動態值。最終ES的確定是講雜交數據排序序列所在位置定義為0，ES值定義為距離排序序列的最大偏差.
ES為正，表示某一功能gene集富集在排序序列前方
ES為負，表示某一功能gene集富集在排序序列后方。
圖中的最高點為此通路的ES值，中間表示雜交數據的排序序列。豎線表示此通路中出現的芯片數據集中的gene。
2 NES
由于ES是根據分析的數據集中的gene是否在一個功能gene set中出現來計算的，但各個功能gene set中包含的gene數目不同，且不同功能gene set與data之間的相關性也不同，因此，比較data set在不同功能gene set中的富集程度要對ES進行標準化處理，，也就是NES
NES=某一功能gene set的ES/數據集所有隨機組合得到的ES平均值
NES是主要的統計量。
3 FDR
NES確定后，判斷其中可能包含的錯誤陽性發現率。FDR=25%意味著對此NES的確定，4次可能錯 1次。GSEA結果中，高亮顯示FDR<25%的富集set。因為從這些功能gene中最可能產生有意義的假設，促進進一步研究。大多數情況下，選FDR<25%是合適的，但是，假如分析的芯片data set較少，選擇的是探針隨機組合而不是表型組合，若p不嚴格，那么應該選FDR<5%。
一般而言，NES絕對值越大，FDR值就越小，說明富集程度高，結果可靠。
4 名義p值 nominal p-value
描述的是針對某一功能gene子集得到的富集得分的統計顯著性，顯然，p越小，富集性越好。
以上4個參數中，只有FDR進行了功能gene子集大小和多重假設檢驗矯正，而p值沒有，因此，如果結果中有一個高度富集的功能gene子集，而其有很小的名義p-value和大的FDR意味著富集并不顯著。
我的一個具體結果解讀：
92/681 gene sets are upregulated in PH
0 gene sets are significantly enriched at FDR<25%
1 gene sets are significantly enriched at n p-value <1%
1 gene sets are significantly enriched at n p-value <5%
在選擇的BP中，有681個gene sets，92個PH中上調，其中75%的正確率支持0條子集上調，1個BP的gene表達上調名義p值<0.01。總體結果并不理想。
備注
GSEA富集結果太少說明：
無gene set被富集。
可能是因為分析的樣本太少，關注的生物信息太微弱，或正在分析的功能集不能很好代表你所關心的生物過程，但仍然可以看下top ranked gene sets，這些信息可能會為你的假說提供微弱的證據。當然也可以嘗試考慮分析其他gene sets，或增加samples
GSEA富集結果太多說明：
太多的功能子集被富集了。
可能是因為很多的gene sets代表同一生物信號，這可以在gene sets中查看leading edge sbusets來查看。或者也可以查看具體區別進行加工，比如samples來自不同labs，操作者不一樣等。
