點擊上方“藍字”關注我們

10.1 Top-Tables ?簡介

limma包提供topTable和decideTests函數概括線性模型結果，進行假設檢驗，調整p值進行多重檢驗。結果包括(log2)倍數變化，標準誤差，t統計和p值。用于顯著性分析的基本統計量是修正t統計量，它是為每個探針和每個對比計算的。與普通t統計說明相同，除了標準誤差是在基因間被調節，例如，使用簡單的貝葉斯模型縮放到一個相同的值。它的作用是從基因集合中借用信息來幫助推斷每個基因。修正t統計與普通t統計產生p值的方式相同，只是自由度增加了，反映了與平滑標準誤差相關的更大的可靠性。

函數topTable提供了頂部差異基因和所選對比度的信息匯總。logFC列給出了對比的值， 通常這表示兩個或多個實驗條件之間的log2倍數變化，盡管有時它表示一個log2表達水平。AveExpr列給出了該基因在實驗中所有陣列和通道中的平均log2表達水平。t列是修正t統計值。p值列是相關的p值，adj.P ?值是多重檢驗的P值。最常見的調整是用Benjamini and Hochberg’s method來控制錯誤發現率。如果目的是控制和估計錯誤發現率，這個調整值通常叫q值。如果所有q值都低于閾值0.05的基因作為差異表達基因，那么在這個挑選出來的組中錯誤發現的預期比率都將控制在這個閾值之下。這一步驟與Benjamini and Hochberg’s method是一樣的，雖然原文并沒有按照調整后的p值來制定方法。

B統計量(lods or B)是差異表達基因的log-odds 。假設B = 1:5，差異表達的幾率是exp(1.5)=4.48，基因發生差異表達的可能性是4.48/(1+4.48)=0.82 ，B=0代表該基因有50%的幾率發生差異表達。B值在多重檢驗中通過假設1%的基因或者一些由用戶調用eBayes來設定特定的百分比是差異表達的自動調整。正常來說，P值和B值對差異基因的排列是相同的。事實上，如果數據沒有缺失值或質量權重，那么順序將完全相同。

eBayes函數計算另一個有用的統計量。修正F -統計量(F)將所有差異的t-統計量合并為該基因的總體顯著性檢驗。F統計檢驗該基因的任何對比是否非零，例如：該基因在任何對比中是否有差異表達。分母自由度與修正t相同。它的p值存儲在fit$F.p.value。它與方差分析中的普通F統計量相似，不同之處在于分母的均方差在不同基因間得到了調節。

10.2 線性模型和多重檢驗lmFit函數輸出的對象是MArrayLM 。該函數的輸出結果為計算線性模型所得的殘差、自由度、方差等結果。lmFit(object, design=NULL, ndups=1, spacing=1, block=NULL, correlation, weights=NULL, method="ls", ...)輸出結果：fit存儲殘差值，df.residual存儲自由度。多重檢驗是同時評估多個假設的情況，在生物芯片數據分析中是一種關鍵的統計學方法。當分析生物芯片數據時，對多個基因進行統計學檢驗，并且根據標準p值識別可能差異表達的基因。但是，由于p值的多樣性和多重條件，在實驗中進行檢驗的假設總次數會很多，此時會增加第一類錯誤發生的概率。函數decideTests() ?提供了解決方法。decideTests(object, method = "separate", adjust.method = "BH", p.value = 0.05, lfc = 0, ...)?decideTests(object, method = "separate", adjust.method = "BH", p.value = 0.05, lfc = 0, coefficients = NULL, cor.matrix = NULL, tstat = NULL, df = Inf, genewise.p.value = NULL, ...)參數method可選的策略有：1.method="separate" ?：等同于topTable，能夠對每一個對比進行單獨的檢驗，但是不能在對比之間進行檢驗2.method="global" ?：對測得的數據進行檢驗，不區分陣列或探針3.method="hierarchical"：用于族錯誤率(family-wise error rate)校正?4.method="nestedF"：?在探針水平校正錯誤發現率(false discovery rate)?

編輯：洪爍校審：羅鵬

總結

以上是生活随笔為你收集整理的差异表达基因变化倍数_10.limma教程|差异表达统计相关理论的全部內容，希望文章能夠幫你解決所遇到的問題。

如果覺得生活随笔網站內容還不錯，歡迎將生活随笔推薦給好友。