Den mest intuitiva förklaringen förklaras också i bakgrundssektionen:

Konceptuellt kan denna metod förstås som en förändring i koordinatsystem för genuttrycksdata, från gener till genuppsättningar.

Vilket jag tror det förklaras i figur 1 i papperet, vilket också är en av de mest informativa jag hittade om metoderna för en algoritm ¹ . Jag ska använda den för att förklara vad som händer.

1. Anpassa en fördelningsfunktion per gen

För varje genuttryckningsprofil ... utförs en icke-parametrisk kärnauppskattning ... -funktion.

Jag kan inte ge mer detaljer eftersom jag inte förstår det fullständigt

2. Sedan normaliseras de för att göra raderna symmetriska runt noll

   Det är en inbyggd formel mellan ekvationerna 2 och 3.

3. Kolmogorov-Smirnov som slumpmässig gångstatistik tillämpas på de normaliserade distributionerna av kärnuppskattningar.

   Vilka två distributioner jämför den? Genen i en genuppsättning och alla andra (men jag är inte helt säker)

   Rollen av slumpmässig promenad förklaras lite senare från ditt citat:

   [den slumpmässiga gången] producerar en fördelning över generna för att bedöma om generna i genmängden är mer benägna att hittas i endera svansen av rangfördelningen

   Som senare används för att beräkna anrikningspoängen genom att se den maximala avvikelsen från noll, eller genom att summera de största och lägsta avvikelserna.

För att ta itu med några andra frågor:

GSVA beräknar provmässiga anrikningsresultat för genuppsättningar som en funktion av gener i och utanför genen set, analogt med ett konkurrenskraftigt genuppsättningstest

1: Försök hitta vilka kopplingar och approximationer som görs inom limma