基因集富集分析(gene set enrichment analysis, GSEA)主要用于分析2分组实验的基因表达谱数据。首先，根据各基因与表型间相关性r或2组间t检验统计量得分值进行降序排列。GSEA的思想是检验已定义的基因集S（例如包括在某一生物进程中的基因）中的基因在经过排秩的基因列表L中是随机排列（服从均匀分布）还是主要集中在列表的顶部。 主要步骤如下：
富集得分(enrichment score, ES)，主要用来反映某个基因集(我们也可以直接将其理解为通路)在排序之后的总基因列表L顶部富集或者过表达的程度。假设总基因个数为N，总基因列表为L，L=[g1,g2,g3,…,gN]，基因排序是按照每个基因和表型之间相关性r进行排序的。以某基因集S为例来进行说明，如何计算基因集S的富集得分(记作ES(S))。设基因集S中共有s个基因。从总基因列表L的顶部开始，刚开始ES(S)=0，如果遇到S中的基因时，ES(S)就会增加一个数值，否则会减少一个数值。增加或者减少的数值依赖于基因和表型的相关性r，基因集的大小M，以及总基因集的个数N。 具体来说，从基因列表L的第一个基因开始，i=1到i=N，若i∈S，则ES(S)增加一定的数值，增加的数值与该基因和表型的相关性相关；如果i∉S，则ES(S)会减去一定的数值，减去的数值为1/(N-M)，和S的大小M以及总基因集的大小N有关。这样就得到了每个基因集的富集得分，ES。具体的加数值可见文章定义，ES最后取得是在某个基因得到最高分时的值。
因为每个基因集的大小不同，而ES又和基因集大小有关，因此需要对其进行normalization，从而消除每个基因集的ES的量纲，文章没有说怎么做，猜测应该也是scale。
为了检验每个基因集的NES是否显著，将总基因集L随机打乱排列一定次数，每次都计算每个基因集的NES(ES)，得到每个基因集的NES在随机排序情况下的理论分布，从而计算其p值。若p<0.05，则说明该基因集在有序总基因列表L中大都富集在顶部，为富集基因集。FDR则是对p值进行FDR校正之后的p值。