前面在GSEA可以做什么中列了GSEA的一些应用场景，这个算其中之一，也是相对被遗落的一个分析，其实还是比较有用的，那就是leading edge analysis。更多GSEA结果解读。
它可以做什么？有没有哪个（些）genes在富集到的GO或kegg里出现次数最多（意味它可能很关键，连接很多信号通路或生理过程等），这个功能通过leading edge analysis实现。同时它也有弊端，那就是这其中有富集到的GO结果的冗余性，但是这个是可以解决的。(具体解决方式，可先google什么是GO的冗余性，怎么去除，然后再知道GSEA的分析原理，就可以了。)
也就是说：LEA可以有助于知道富集到的GO term中哪些gene出现最多，它很可能很关键，但一定考虑GO term的冗余，而这个是GSEA本身无法通过设置参数解决的。
假如已经得到了GSEA的富集分析结果，就可以进行Leading edge analysis了，LEA可以提供哪些gene（指的是零头亚基）对给定的gene sets贡献最大。（领头亚基指对Es值贡献最大的基因集合），领头亚集由ES决定。
- 1 选择合适的Gene sets，这可以由FDR cut-off设定
- 2 GSEA软件会输出4个图，代表1中选出的亚基重叠，分别为
a：heatmap，显示领头亚集clusters或表达值，并用颜色表示范围，low-high
b:set to set graph，显示gene set间的重叠，用颜色表示set之间共享的gene数目
c：基因集中的gene列表，一个具体的gene属于多少sets，这可以给出一定的信息，和生物学问题先关的关键genes - 3 可以生产build HTML Report，所有LEA细节，组成leading edge subset genes，与表型相关的表达值间有高相关性，并且倾向于极端分布而不是随机分布。通常这些领头亚集中的gene对ES得分有直接关系。这些都基于几个统计学值。如果tag，list，signal
Tag：领头亚集中的gene数目，而这些gene直接贡献了+ES.
List：给出了这些gene的位置或Rank
Signal：genes的强度和strength或intensity
GSEA module，一个关键应用是看两个groups之间富集的gene的重叠性。overlap之间的比较。可以延伸，更好理解哪些genes更倾向涉及表型。
