锐客网

  1. 首页 > 睿知 > >

deseq分析,DESeq分析

经验分享睿知

Ebseq、edgeR、limma、DESeq2、edgeR difference 分析以及不同时空、不同条件下的差异基因分析是RNAseq 分析的重要目标 。转录组测序结果在deseq2，2020-01-03(计数数据差异分析segcolnames(uni sample _ merge)group _ name substr(seg 。

1、做差异 分析总结【deseq分析,DESeq分析】imma、edgeR和DESeq2基本上是转录组差异的金标准分析，大部分转录组文章使用这三个R包进行差异分析 。EdgeR difference 分析速度快，获得的基因数量比较多，假阳性率高(实际结果无差异) 。DESeq2 difference 分析速度较慢，获得的基因数量相对较少，假阴性率较高(实际差异结果无差异) 。应当注意，用于分组信息的因子向量是因子级别的序列 。在许多R的模型中，第一级因子向量被默认为控制组 。

如果是芯片数据，一般选择limma，它是处理芯片数据的王者 。但是edgeR可以做到 ， too芯片数据默认符合正态分布，limma基于正态分布 。甲基化数据是芯片数据 。如果是二代测序的原始计数值，一般选择DESeq或edgeR 。注意两者都只能处理count，不能处理FPKM等修正数据 。
2、2020-01-03小白新手DESeq2包的使用(counts数据差异 分析seg colnames(uni sample _ merge)group _ name substr(seg，14，15)group if else(as . numeric(group _ name 。

    推荐阅读


    上一篇：数字万用表电路分析,手持式数字万用表A\/D转换电路

    下一篇：tp5分析