GPT回答

1. VISION
   概述：VISION 是一种用于解释基因表达数据的工具，特别是在单细胞RNA测序数据中应用。它不仅可以评估基因集的活性，还提供了多种可视化和上下文分析功能，包括细胞类型标注、分群、轨迹推断等。
   方法：VISION 使用多种技术（包括基因集富集和单细胞转录组特征）的组合来计算基因集的活动分数。它结合了基因集评分和数据可视化，用来解释细胞亚群的潜在生物学功能。
   特点：VISION 可以直接处理稀疏数据，不需要数据归一化，也不需要对数据进行预处理（如插补）。该方法还能集成其它类型的数据信息（如表型信息），为富集分析提供额外的上下文。
   适用场景：希望对单细胞转录组数据进行全面分析，包括基因集富集、上下文分析和功能注释。

2. AUCell (Area Under the Curve for Cells)
   概述：AUCell 是一种基于排名的分析方法，用来评估特定基因集在每个细胞中的活动性。
   方法：AUCell 的核心思想是通过计算特定基因集在每个细胞的基因表达排名中的富集情况来得出评分。它首先根据基因表达量对每个细胞内的所有基因进行排序，然后计算目标基因集在排序中的富集程度（基于ROC曲线的AUC值）。
   特点：AUCell 不依赖于数据的归一化或预处理，因为它是基于基因表达的排序而不是实际的表达值。因此，它对数据的噪声和稀疏性相对较为鲁棒。
   适用场景：适用于不想对数据进行预处理或归一化的分析，尤其是在处理稀疏的单细胞RNA测序数据时。

3. ssGSEA (Single Sample Gene Set Enrichment Analysis)
   概述：ssGSEA 是经典 GSEA 的扩展版本，专门为单样本分析设计。与传统 GSEA 比较的是群体之间基因集的富集，ssGSEA 可以针对每一个单独的细胞或样本计算基因集的富集分数。
   方法：ssGSEA 基于基因表达的排序和加权富集分析，它将每个基因集在样本中的富集情况转化为单个富集分数。通过对每个样本的所有基因进行排序，ssGSEA 评估基因集富集分数，并在不同的基因集上生成一组分数。
   特点：适合处理单个样本，通常会将基因表达进行归一化，依赖于输入数据的预处理效果。它可以直接对单细胞水平上的数据进行富集分析。
   适用场景：需要对每个细胞独立计算基因集富集情况时，适用于数据已经归一化的情况下。

4. GSVA (Gene Set Variation Analysis)
   概述：GSVA 是一种非参数的分析方法，用来评估基因集在不同样本中的变化。与 GSEA 类似，但不再需要二元分类比较，而是计算每个样本中基因集的富集得分，从而适应单细胞RNA测序分析。
   方法：GSVA 通过对基因表达进行核密度估计，评估基因集在样本中的活性。GSVA 通过将基因表达水平转换为基因集活动评分，捕捉不同细胞之间基因集活动的差异。
   特点：需要对输入数据进行一定的预处理，通常需要归一化。GSVA 更适用于处理连续数据，并且能够捕捉出样本间的微小变化。
   适用场景：适用于连续表达数据的富集分析，适合归一化后的数据，特别是希望捕捉细胞间微妙的差异时。

image.png