差异表达分析：经典方法未必逊色于流行方法

差异表达一般指基因在不同组别（例如实验组vs对照组）内的表达水平具有显著性差异，该分析是转录组数据的常规步骤之一。目前，针对转录组数据，差异表达分析工具有DESeq2、edgeR、limma-voom、NOISeq、dearseq、t-test和Wilcoxon rank-sum test等。其中，DESeq2、edgeR和limma-voom是大家最常用的差异表达分析工具。

然而，最近一项研究发现，两种流行的差异表达分析方法（DESeq2、edgeR）翻车了，因为它们出乎意料的具有高假阳性率。令人惊讶的是，经典方法Wilcoxon rank-sum test在众多比较方法之中反倒表现得最优（图1）。

图1 差异表达分析方法比较

特别地，即使DESeq2、edgeR的FDR设置为5%，但是这些方法的真实FDR有时候居然大于20%。通过在多个数据集中的比较研究发现，当应用于大样本量的转录组数据时，应该优先选择Wilcoxon rank-sum test。详细分析结果可以阅读图2所示的相关文献。 

图2 相关文献

后话

目前，做差异表达分析时，习惯性的选择DESeq2、edgeR和limma-voom。下次做差异表达分析时，可以考虑Wilcoxon rank-sum test方法，尤其应用于较大样本的转录组数据。

参考文献与链接

[1] Li Y, Ge X, Peng F, Li W, Li JJ. Exaggerated false positives by popular differential expression methods when analyzing human population samples. Genome Biol. 2022;23(1):79. Published 2022 Mar 15. doi:10.1186/s13059-022-02648-4

以往推荐如下：

1. 因果推理综述推荐一篇

2. 生物学家的机器学习指南

3. 基础模型的机遇与风险

4. 一份单细胞数据分析教程

5. R/Shiny交互式生物Web应用程序

6. VOSviewer：文献图谱可视化

7. ​卡片式笔记工具：Roam Research

8. ​国外知乎：Quora

9. 生信问答平台：Biostars

10. ​IT问答平台：Stack Overflow

11. 预印本知多少？

12. 借助Bioconductor策划单细胞分析

13. 要选哪个蛋白质互作数据库作为先验信息？

14. mRNA表达无法取代蛋白质表达

15. scIB：单细胞数据融合基准框架

16. ​临床医疗维修店铺

17. NAguideR：填充蛋白质组学数据缺失值

18. 怎样做好一项研究？

19. 怎样做开题报告？

20. 深度学习助力单细胞数据分析

21. Any RNA

22. 走进数据科学

23. ​直抵自闭症核心

24. 癌症内RNA

25. 一对搭档：计算与生物

26. ​TF靶标

27. 生物组织内细胞通讯

28. 记一次主题编辑经历

29. ​6个，10个，14个......

30. 你健康吗？

31. 你衰老了吗？

32. ​scIMC：填充单细胞转录组数据缺失值