你好，

最近，我正在对一些RNA-Seq材料进行DE分析。我们具有原始计数数据矩阵以及所有样本的TPM数据。首先，我们使用原始计数数据对DESEQ2进行了DE分析，并获得了一些结果。然后，确保我们发现的信号正确。我们还尝试通过使用其TPM数据来运行Limma。（TPM和原始计数数据来自同一样本）。但是，在一天结束时，通过比较这两个结果，我们发现两个分析不一致。我们希望在某种程度上，对于DESEQ2分析中的信号，它们也应该具有较低的P值。也许它们应该处于相同的尺度（例如，两者都在10^-9处）。或者至少我们可以找到一些类似的模式。 However, there is a totally messy pattern for almost all models, consistent results can not be found. The most significant gene "GeneA"for one model in DEseq2 is 2.22E-14 but for the same model in Limma it's 1.94e-253 for "GeneB", p-value for GeneA(most significant in DEseq2) in Limma is 0.961. And the number of signals in Limma are way more than DEseq2. From the two software we got different conclusion.

所以我的问题可能是：

1. 我们应该期望Limma（TPM）和DESEQ2（Count）之间有类似的模式吗？
2. 如果是这样，什么样的问题可能与这种不一致相对应？
3. 为什么deseq2和limma之间的p值如此不同？
4. 仔细检查结果的其他方法是正确的？

谢谢！！

Limma和Dese2几乎不可能在您报告正确的范围内不同意，因此我们必须得出结论，您在分析中犯了一个或多个错误。

一个错误是使用TPM，因为Limma并非旨在分析TPM值。可能还有许多其他错误，但我们无法分辨，因为您没有提供任何代码或信息。

我不清楚拥有TPM值的含义。TPM值用于成绩单，不是针对基因，而Limma和Deseq2分析了基因级读数计数。我不知道具有具有TPM值的情况和具有相同基因组特征的原始读取计数是有意义的。

请阅读《发布指南》，以查看该论坛上一个问题的期望。该论坛旨在帮助代码，用户通常会发布他们想要帮助的代码。

您询问如何确保结果正确。我可以给您的唯一答案是遵循软件工具提供的示例，建议和文档。