總目錄：

1. 數(shù)據(jù)預(yù)處理
2. limma包進(jìn)行差異分析
3. edgeR包進(jìn)行差異分析
4. DESeq2包進(jìn)行差異分析
5. 三大R包比較

1.輸入數(shù)據(jù)比較

edgeR: 原始的count矩陣，支持單個(gè)樣品和重復(fù)樣品
DESeq2: 原始的count矩陣（htseq-count），只支持重復(fù)樣品
limma： 原始的count矩陣（需自己標(biāo)準(zhǔn)化，一定要log化）、經(jīng)過標(biāo)準(zhǔn)化的矩陣或芯片數(shù)據(jù)，只支持重復(fù)樣品
注： 無重復(fù)RNAseq樣本推薦使用Gfold軟件進(jìn)行分析

2.性能比較

導(dǎo)入數(shù)據(jù)

load('edgeR_diff.Rdata')
edgeR<-diff_signif
load('limma_diff.Rdata')
limma<-diff_signif
oad('deseq2_diff.Rdata')
deseq2<-diff_signif

差異基因數(shù)目比較

dim(deseq2)
dim(limma)
dim(edgeR)

image.png

edgeR: 得到基因數(shù)目最多

DESeq2: 得到基因數(shù)目適中

limma： 得到基因數(shù)目最少

差異基因一致性比較

library('VennDiagram')
data=list(DEseq2=rownames(deseq2),edgeR=rownames(edgeR),limma=rownames(limma))
ve<-venn.diagram(data,filename = NULL,fill=c('red','yellow','blue'))
grid.draw(ve)

image.png

結(jié)論：

三個(gè)R包得到的差異基因數(shù)目差別不是很大
edgeR包和DEseq2包得到的差異基因更加相似
limma包得到的差異基因準(zhǔn)確率最高（其他兩個(gè)R包不能得到的差異基因數(shù)量最少，只占總數(shù)的2%），但假陰性高（實(shí)際差異結(jié)果不差異）
edgeR包能得到更多的差異基因，但假陽(yáng)性高（實(shí)際不差異結(jié)果差異）
運(yùn)行速度比較
計(jì)算從導(dǎo)入數(shù)據(jù)（16610基因，8樣本）到差異分析結(jié)束所需要的時(shí)間
limma: 3.944069 secs
edgeR: 5.882637 secs
DEseq2: 10.55145 secs
由此可見limma分析速度最快，DEseq2分析速度最慢

最后明確一個(gè)問題，三大R包用的什么標(biāo)準(zhǔn)化值來做的差異分析？他們用的是自己的標(biāo)準(zhǔn)化值。 那我想要用RPKM FPKM怎么辦？自己算！

————————————————

原文鏈接：https://blog.csdn.net/weixin_45161743/article/details/103536523