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:
- 我们应该期望Limma(TPM)和DESEQ2(Count)之间有类似的模式吗?
- 如果是这样,什么样的问题可能与这种不一致相对应?
- 为什么deseq2和limma之间的p值如此不同?
- 仔细检查结果的其他方法是正确的?
谢谢!!
我永远不会期望程序就所有基因达成共识,但是我将允许有关包装的开发人员如果选择的话,则提供了更全面的答案。2021欧洲杯体育投注开户几个评论:
谢谢!让我尝试先在计数数据上使用limma-voom工作流程,看看两者是否相似。谢谢你的建议!