你可能遇到过这种“怪事”：
- 同一份基因列表，别的工具能跑出一堆显著通路，clusterProfiler 却结果很少，甚至没有。
- 同一条通路，别的工具给出的 p 值小很多，看起来“更显著”。
这两件事，其实是一回事：很多时候，不是 clusterProfiler “不灵”，而是它把容易踩坑的细节都算进去了，所以 p 值更保守、结果更克制。经过多年不懈努力地说，大家慢慢形成了共识：富集分析要避坑，clusterProfiler 值得优先考虑。
我的❤️充满惆怅，只为今天的村庄还唱着过去的歌谣
富集分析离不开基因功能注释库。Nature Methods 的文章提到：有超过 42% 的软件，注释库几年都不更新。你拿着今天的数据，却用几年前的注释去解释它，就像“带着现在的问题，穿越回过去找答案”。就连SCIENCE文章都会被吐槽，这件事大家已经开始重视。
臣妾要告发
熹贵妃私通结果不显著，秽乱后宫定是分析有误，罪不容诛！
但还有一个更容易“把人哄开心”、却更危险的坑：背景偏差。
注释库老旧之所以容易被注意，是因为它会让显著结果变少；而背景偏差之所以容易被忽略，是因为它往往让显著结果变多、p 值变得更小，看起来更漂亮。
有时我们不是不关心真相，而是默认了一个心态：只要 p 值小，里面有我想看到的通路，就算“过关”。更糟的是，有些工具甚至不允许你指定背景基因，或者背景来源含糊不清。结果就像早期搜索引擎那样：搜不到也得给点东西，让用户觉得“这工具真行”。
你可能也听过“背景很重要”，但现实里，很多人并不会把背景当回事：反正结果能显著就行。问题是：背景一旦选错，显著不一定代表真相，更可能代表“统计游戏玩对了”。
先把概念说清楚：
- GSEA 通常不需要你显式指定背景基因集合。
- ORA（过表达富集）本质上是一个无放回抽样的统计过程，背景非常重要：你根本检测不到/定量不到的基因，就不可能在抽样里被抽中，也就不应该出现在背景里。
背景问题并不新。我读研时做 microarray 分析就知道它的重要性，只是很多年里一直没被足够重视。这篇文章也不是为了重复“背景要对”这个老话，而是想强调一个更隐蔽、但影响很大的细节：
在 clusterProfiler 的 ORA 里，我会把没有注释的基因扔掉。
原因是：在 ORA 里，我们把基因分成“属于该通路 / 不属于该通路”。可没有注释的基因其实是未知。如果你不把它们扔掉，它们常常会被默认归到“不属于”，这会引入另一层偏差，让 p 值更容易变小。
据我所知，只有 clusterProfiler 坚持这么做，也因此经常被质疑：“别人都没这么搞。”这篇文章就是在讲清楚：我为什么这么做，以及你为什么最好也这么做。
另一个常见误区是：直接拿全基因组当背景。
这个想法在 microarray 时代就存在，但今天它带来的偏差反而更容易被放大：非编码基因越来越多，而这些基因通常缺乏功能注释；同时，在转录组/蛋白组实验里，它们又往往不可能被鉴定或定量。很多工具如果把“所有基因 ID”都塞进背景里，背景里就会混入大量“理论上存在、实际不可能抽到”的基因，p 值就更容易被压得很小很小。
而 clusterProfiler 做“背景基因 ∩ 注释库”的交集处理，并把没有注释的扔掉，恰好会滤掉一大批缺乏注释的基因（其中相当一部分是非编码基因）。所以即使你懒到用全基因组当背景，结果也不至于偏得太离谱；而当你认真指定了更合理的背景时，这个处理会让 p 值更可靠、更保守。
所以这篇文章想强调的核心只有一句话：
背景基因要和注释库取交集，这是 clusterProfiler 的做法，你最好也这么做。
-
使用全基因组做背景，用这一招，让懒人不犯大错，这一操作影响是比较大的。
-
当我们有意识地去指定一个正确的背景，用这一招，让 p 值更准确保守一点，影响比较小。
如果你只想带走一个“能立刻用起来”的操作建议：
- 做 ORA 时，背景尽量用“实验里有机会被检测/定量到的基因集合”，别图省事直接上全基因组。
- 无论背景怎么选，都把背景和注释库取交集，再做富集；把没有注释的基因当作“未知”，不要硬塞进“不属于”。
- 报告里写清楚你用的注释库版本和背景定义，这比多几个显著通路更有说服力。
作为一篇 Editorial，我也想呼吁期刊、审稿人、工具开发者和研究者：把背景偏差当成必须认真对待的问题。富集分析的价值是帮助我们接近机制，而不是帮助我们把 p 值“做得更好看”。