总结起来就三句话: (1)当同一个数据集有n次(n>=2)假设检验时,要做多重假设检验校正 (2)对于Bonferroni校正,是将p-value的cutoff除以n做校正,这样差异基因筛选的p-value cutoff就更小了,从而使得结果更加严谨 (3)FDR校正是对每个p-value做校正,转换为q-value.q=p*n/rank,其中rank是指p-value从小到大排序后的次序. 举一个具体的实例: 我们测量了M个基因在A,B,C,D,E一共5个时间点的表达量,求其中的差异基因,具体

在做基因表达分析时必然会要做差异分析(DE) DE的方法主要有两种: Fold change t-test fold change的意思是样本质检表达量的差异倍数,log2 fold change的意思是取log2,这样可以可以让差异特别大的和差异比较小的数值缩小之间的差距. Let's say there are 50 read counts in control and 100 read counts in treatment for gene A. This means gene A is

参考:http://www.biotrainee.com/thread-558-1-1.html http://bioconductor.org/packages/3.7/bioc/ http://www.bioconductor.org/packages/release/bioc/html/topGO.html https://www.jianshu.com/p/9e21f2196178 https://rpubs.com/aemoore62/TopGo_colMap_Func_Trouble

仍然是两年前的笔记 1. prepare-reference 如果用RSEM对比对后的bam进行转录本定量,则在比对过程中要确保比对用到的索引是由rsem-prepare-reference产生的. ~/software/rsem/rsem-prepare-reference \ --transcript-to-gene-map ~/project/RNA-seq/ref_cds/gene_transcript.txt \ #作用是在后面的定量结果文件中,添加gene名称, 转录本名称两列,该文

p值还是 FDR ? 差异分析 如何筛选显著性差异基因,p value, FDR 如何选 经常有同学询问如何筛选差异的基因(蛋白).已经计算了表达量和p value值,差异的基因(蛋白)太多了,如何筛选.其中最为关键的是需要对p value进行校正. 基本概念: 零假设:在随机条件下的分布. p值:在零假设下,观测到某一特定实验结果的概率称为p值. 假阳性:得到了阳性结果,但这个阳性结果是假的. 假阴性:得到了阴性结果,但这个阴性结果是假的. 单次检验: 针对单个基因(蛋白),采用统计检验,假设

随着人类基因组计划(Human Genome Project)即全部核苷酸测序的即将完成,人类基因组研究的重心逐渐进入后基因组时代(Postgenome Era),向基因的功能及基因的多样性倾斜.通过对个体在不同生长发育阶段或不同生理状态下大量基因表达的平行分析,研究相应基因在生物体内的功能,阐明不同层次多基因协同作用的机理,进而在人类重大疾病如癌症.心血管疾病的发病机理.诊断治疗.药物开发等方面的研究发挥巨大的作用.它将大大推动人类结构基因组及功能基因组的各项基因组研究计划.生物信息学在基因组

转自:https://baike.baidu.com/item/FDR/16312044?fr=aladdin  https://blog.csdn.net/taojiea1014/article/details/79681249 http://www.360doc.com/content/18/0914/21/19913717_786724085.shtml   https://www.sohu.com/a/165109778_785442 https://www.jianshu.com/p/

来源: http://blog.sciencenet.cn/blog-479412-572049.html,http://52brain.com/thread-15512-1-1.html SPM8允许两种FDR校验.一个是voxel-wise FDR,另一个是topological FDR. 如果要做voxel-wise FDR 校验,就把spm_defaults里的68行的defaults.stats.topoFDR 改为0. (有很多朋友下载下来的spm在处理结果是只显示FWE矫正和NOR

尹师妹:“哈师兄,做验证实验好辛苦,老板让我提高筛选差异基因的条件,尽量降低假阳性,我该怎么筛?” 小哈打开Evernote,给尹师妹看张表: “瞧见那个100%了吗?30 million mapped reads的情况下,10次重复,2倍筛选条件,Statistical power100%,找出来的都是真的应答基因:只做3次重复,2倍筛选条件,可以达到87%: 如果测序深度降到15 million mapped reads,需要10次重复,才能到85%.” 尹师妹:“我的样品有30 M map

前言 本文主要演示GEO数据库的一些工具,使用的数据是2015年在Nature Communications上发表的文章Regulation of autophagy and the ubiquitin-proteasome system by the FoxO transcriptional network during muscle atrophy.[pubmed:25858807] 作者通过将FoxO1-3-4-floxed小鼠(FoxO1,3,4 f / f)与表达Cre重组酶的转基因系

http://software.broadinstitute.org/gsea/index.jsp GSEA(Gene Set Enrichment Analysis)是一种生物信息学的计算方法,用于确定是否存在这样一个基因集,能在两个生物学状态中显示出显著的一致性的差异.表达谱数据里的基因数目众多,我们需要对基因进行功能注释,看哪些基因属于同一通路,以及该通路上的上调.下调情况,这就是富集分析了. 例如2019年4月在Cancer cell(PMID 30991027)上发表的一篇文章中有一张

前言 关于clusterProfiler这个R包就不介绍了,网红教授宣传得很成功,功能也比较强大,主要是做GO和KEGG的功能富集及其可视化.简单总结下用法,以后用时可直接找来用. 首先考虑一个问题:clusterProfiler做GO和KEGG富集分析的注释信息来自哪里? GO的注释信息来自Bioconductor,提供了19个物种的org类型的GO注释信息,如下表所示.Bioconductor中更多的注释包可参考http://www.bioconductor.org/packages/rel

非原创 参考资料: 一文掌握GO和pathway分析 - 生物信息学讨论版 -丁香园论坛http://www.dxy.cn/bbs/thread/34904124#34904124 GO富集 GO是Gene ontology的缩写,GO数据库分别从功能.参与的生物途径及细胞中的定位对基因产物进行了标准化描述,即对基因产物进行简单注释,通过GO富集分析可以粗略了解差异基因富集在哪些生物学功能.途径或者细胞定位. Pathway Pathway指代谢通路,对差异基因进行pathway分析,可以了解实

持续更新~ 散点图 条形图 文氏图 饼图 盒型图 频率直方图 热图 PCA图 3D图 火山图 分面图 分面制作小多组图 地图 练习数据: year count china Ame jap '12 2.800000 1.500000 4.500000 2.500000 '13 2.941956 1.587559 5.342547 2.814862 '14 3.508838 1.648075 5.429438 2.701108 '15 4.011208 1.533966 5.419301 2.660

医学.机器学习等等,在统计结果时时长会用到这两个指标来说明数据的特性. 定义 敏感性:在金标准判断有病(阳性)人群中,检测出阳性的几率.真阳性.(检测出确实有病的能力) 特异性:在金标准判断无病(阴性)人群中,检测出阴性的几率.真阴性.(检测出确实没病的能力) 假阳性率:得到了阳性结果,但这个阳性结果是假的.即在金标准判断无病(阴性)人群中,检测出为阳性的几率.(没病,但却检测结果说有病),为误诊率. 假阴性率:得到了阴性结果,但这个阴性结果是假的.即在金标准判断有病(阳性)人群中,检测出为阴性

1)Introduction DEXSeq是一种在多个比较RNA-seq实验中,检验差异外显子使用情况的方法. 通过差异外显子使用(DEU),我们指的是由实验条件引起的外显子相对使用的变化. 外显子的相对使用定义为: number of transcripts from the gene that contain this exon / number of all transcripts from the gene 大致思想:. For each exon (or part of an exon

1)airway简介 在该workflow中,所用的数据集来自RNA-seq,气道平滑肌细胞(airway  smooth muscle cells )用氟美松(糖皮质激素,抗炎药)处理.例如,哮喘患者使用糖皮质激素来减少呼吸道炎症,在该实验设计中,4种细胞类型(airway smooth muscle cell lines )用1微米地塞米松处理18个小时.每一个cell lines都有对照与处理组(a treated and an untreated sample).关于实验设计的更多信息可

无生物学重复RNA-seq分析 CORNAS: coverage-dependent RNA-Seq analysis of gene expression data without biological replicates BMC Bioinformatics 的一篇文章中提出了一种新的差异基因分析方法. 这篇文章提出了CORNAS(COverage-dependent RNA-Seq) 方法,利用贝叶斯方法来推断真实基因表达数的  后验分布. 其创新型之一该方法包括了由RNA样品浓度决定的

文献编号:19Mar - 11 2019年04月23日三读,会其精髓: 相信这种方法的话,那么它的精髓是什么,如何整合出这个core gene set. 首先要考虑样本的选择,样本里是否存在明显的分层? 2019年04月01日再读:精读: 已经发现我的data没法在PCA里有明显的规律:应该可以直接从bulk RNA-seq里获取有价值的信息,那么single cell到底有什么优势呢?回答:单细胞的数据是必须的,它可以把core genes锚定到case-control pseudotime,

参考:Add P-values and Significance Levels toggplots 多组比较,挑选感兴趣的显示显著性. data("ToothGrowth") head(ToothGrowth) library(ggpubr) my_comparisons <- list( c("0.5", "1"), c("1", "2"), c("0.5", "2&q