GO和KEGG软件定制开发供应商是基于不同的分类思想软件定制开发供应商而储存的基因相关功能的数据库,软件定制开发供应商富集分析就是一个把这软件定制开发供应商些功能进行进行整合计算的算法，GO富集，软件定制开发供应商就是研究基因的本质的，软件定制开发供应商从三个层面，软件定制开发供应商分别描述基因的分子功能（molecular function）、细胞组分（cellular ）、软件定制开发供应商参与的生物过程（biological process）。如一个基因，她的分子功能可能是具有催化活性，她的细胞组分，也就是其在细胞中定位为细胞膜，参与的生物过程为蛋白质运输过程，这就是这个基因按照三种不同的分类方式进行的定义。
KEGG和GO的区别主要体现在，GO的三个层面彼此之间是没有任何联系的，KEGG不仅有基因集，还定义了基因和代谢物之间的复杂的相互关系，所以才能叫做pathway，与GO中的生物过程有点类似。
GO数据库的基础就是一个一个的GO term，它们是树状的结构，存在冗余。GO database的root node有三个，分别为BP、CC、MF。KEGG就是人工注释的一张又一张代谢通路，是网状的。GO term是一个纯粹的基因集，没有定义里面基因的相互关系；KEGG不仅有基因集，还定义了基因和代谢物之间的复杂的相互关系，所以才能叫做pathway。论相似性，从纯基因集的角度，GO的BP和KEGG有较高的相似性。GO一般用来找差异基因引起的功能改变，KEGG则寻找通路上的影响。
但无论是GO还是KEGG，他们的富集方法都基于统计学上的超几何分布。假设有m个背景基因，背景基因中某一通路pathway中注释的基因有n个，而我的基因集中有k个基因，有l个富集到了该通路中，简单来讲就是比较l/k是否显著高于n/m，算出一个p值来判断这种事情到底是不是偶然发生的，如果是，那这个不能说是富集到了，因为只是偶然的巧合，如果不是，即是特意富集到某个通路当中去了。
而基因集富集分析（GSEA） 与GO（Gene Ontology）和KEGG pathway分析相比，GSEA分析的主要优势在于：
一般的差异分析（GO和Pathway）往往侧重于比较两组间的基因表达差异，集中关注少数几个显著上调或下调的基因，这容易遗漏部分差异表达不显著却有重要生物学意义的基因，就比如规定差异表达基因筛选的差异倍数阈值是0.1和0.25，这忽略一些基因的生物特性、基因调控网络之间的关系及基因功能和意义等有价值的信息。GSEA不需要划定阈值，他是根据基因的表达量对基因进行了排序，然后去和GSEA中数据库比对，给每一基因打一个ES富集分数，GSEA中与GO,KEGG另一点不同的即是，GSEA需要输入基因的表达量，而另两个只需要输入基因列表即可。
GSEA的原理：
把自己测出来的差异基因的排序列表称为目标基因列表L，把根据先验知识预先定义的基因集称为功能基因集S。把这个基因集中的成员称为s。
GSEA的运行原理就是判断功能基因集S里面的成员s在目标基因列表L里面是随机分布的，还是主要聚集在目标基因列表L的顶部或底部。如果我们研究的功能基因集S的成员显著聚集在目标基因列表L的顶部或底部，就是我们要关注的基因集。
就比如这张图目标基因基因列表L就是C２和C４中所有差异表达基因，功能基因S就是C２和C４中所有和细胞周期有关的基因，GSEA得到的结果重要的是富集得分，也就是这个图里面的蓝线。
Enrichment Score，即ES，中文翻译为富集得分。它反应的是基因集成员s在目标基因列表L端富集的程度，计算方法是，从目标基因列表L的第一个基因开始，计算一个累计统计值。当遇到一个落在功能基因集S里面的基因，则增加统计值。遇到一个不在功能基因集S里面的基因，则降低统计值。每一步统计值增加或减少的幅度与基因的表达变化程度是相关的。富集得分ES是从没有遇到时候开始计算，直到最大值。正值ES表示基因集在列表的顶部富集，负值ES表示基因集在列表的底部富集。
所以我们就知道了，这几张图里面，功能基因都是C4细胞簇中的。
中间条形码似的黑线是gene set里面的基因在背景基因里的位置，每条竖线代表该通路下的基因，"hit"就会有条黑线，”miss"就没有黑线。
蝴蝶图：当用功能基因集S从上到下，遍历排序好的目标基因列表L时，此时最下面的绿色区域就是不同基因的排序结果，它与分组情况相关，排序的结果从正值到负值进行排列，正值是与第1个分组有关（C2），负值与第2个分组有关（C4），绿色区域高低和基因的表达水平相关。