在我的转录组学分析中，有一些我感兴趣的基因是显著不同的，但没有差异表达。我不知道我是否真的理解了DEG到底意味着什么，在我的DEG管道参数;

pval_adj_method <- 'BH' pval_cut <- 0.01 l2fc_cut <- 1

我有3个时间过程- 0/12/24小时4个基因型- WT, 3个突变体(aox1/2/3)我将每个突变体与它在给定时间点的WT值进行比较。

aox1_0h-WT_0h aox2_0h-WT_0h aox1_12h-WT_12h

等。

从这个输出中，只有少数组合显示它们是deg

* * Gene1_ * * aox2_0h。WT_0h下调**Gene2-** aox3_0h。WT_0h上调**Gene6_** aox2_12h。WT_12h衰减

然而，一旦我绘制了原始值，我看到其他突变体也统计上与他们的WT不同

这是什么意思?

deg（pval_cut = 0.01 l2fc_cut = 1）是否在给定的时间点比较的均在所有时间课程中比较？

例如，inf基因2，如果aox3被认为是DEG，为什么其他2个突变体不被认为是DEG ?如果有人能好心地解释一下，我将不胜感激。

注意:这些计数数据(dput out put)没有标准化。这个文件是在步骤1:合并数据分析管道的序列复制之前写的。

数据

结构（列表（AGI = C（“Gene_1”，“Gene_2”，“Gene_3”，“Gene_4”，“Gene_5”，“Gene_5”），AOX1_0H_1.TSV = C（12.19671398,215.2944799,1994.4740158,231.5254774,72.57597906），aox1_0h_4.tsv = C（20.483339，309.7008485，24.97567468，692.9926789，363.0050461，123.5888977），aox1_0h_5.tsv = C（12.02356715，99.9827504，11.36592332，276.0989805，142.2411187，58.85580698），aox1_12h_4.tsv = C（15.40599103，72.92196194，19.36412892，376.7248056，269.677545，99.21985896），aox1_12h_5.tsv = C（14.1934073，79.71249677，32.45167316，356.2905953，196.2274429，89.37924571），aox1_12h_6.tsv = C（24.80343931，95.02515421，34.05358939，440.896732，346.8153177，127.4466926），aox1_24h_4.tsv= C（6.184604587，196.0341138，25.18641024，258.9801928，223.9545066，33.84484312），aox1_24h_6.tsv = C（6.883819431，98.05429052，2.021393634，112.1958862，139.6212486，28.75295204），aox2_0h_3.tsv = C（25.53690512，175.1041763，28.87826692，459.5438353，433.4289707，137.3774675），AOX2_0H_4.TSV = C（10.18876629,280.2141447，32.48869835，624.7432893，323.5662966，87.89508861），aox2_0h_5.tsv = C（12.34945421，312.5272061，28.36719904，848.7432271，469.8874526，158.9474865），aox2_12h_1.tsv = C（19.08287299，137.9990764，29.84418565，377.4153307，314.9721922，95.42395784），aox2_12h_2.tsv格式= C（7.890962701，74.2399241，15.29254776，236.4643073，135.7776899，26.49812298），aox2_12h_3.tsv = C（3.678221008，62.60983209，11.67625132，200.3733542，100.7079901，31.6012183），aox2_24h_1.tsv = C（11.2162246，149.1030715，30.70364462，321.8824458，234.0832479，67.24515005），aox2_24h_4.tsv = C（13.99519719，902.6355571，41.48997933，501.303002，772.8283795，350.2515435），aox2_24h_5.tsv = C（7.867480669，361.1331651，14.63979526，218.9941277，330.2108122，147.5707818），aox3_0h_1.tsv = C（14.15880435，381.2255777，40.53415811，456.0047815，317.8303883，159.6022776），aox3_0h_2.t​​sv = C（16.7311523，291.2105347，27.30607326，339.5042008，179.0730805，61.18757328），aox3_0h_3.tsv = C（19.09795927，293.2638492，25.89886385，398.8993785，185.8289419，70.22345994），aox3_12h_1.tsv = C（81.20410372，541.3370048，85.56280843，974.0674911，836.3820935，353.6488805），aox3_12h_2.t​​sv = C（29.20942766，248.4582068，51.52438237，486.5817019，390.8069314，151.3860219），aox3_12h_3.tsv = C（46.13590166，273.2940355，63.7297075，503.9319503，395.8325311，157.8115329），aox3_24h_1.tsv = C（34.29811675，386.5204438，72.86154515，693.3497618，570.2158898，194.3375745），aox3_24h_2.t​​sv = C（6.882795111，92.6003284，26.22967721，228.5226723，120.5788092，49.8811201），aox3_24h_3.tsv = C（18.1408733，196.4513931，40.71817893，375.4835311，334.5830825，97.88584005），WT_0h_1.tsv = C（18.68220076，114.5750048，9.829645971，220.5843393，174.4842611，94.2738265），WT_0h_2.t​​sv = C（13.60937828，73.97033656，17.038227，214.8653415，155.5073735，100.5135226），WT_0h_3.tsv = C（16.96217952，76.57929551，16.07674964，141.6508369，145.1300591，73.15117509），WT_12h_2.t​​sv = C（5.05511416，11.33088644，4.189101647，44.84100697，44.55982506，18.2843175），WT_12h_3.tsv = C（0.990461611，0.949660867，1.699219964，15.91825777，15.35309945，9.38446604），WT_12h_5.tsv = C（5.933614952，46.86761146，10.29591467，122.7757985，69.69893277，56.94217399），WT_24h_1.tsv = C（4.029020182，31.21885208，10.11987433，100.5907921，76.64674385，37.26256017），WT_24h_4.tsv = C（3.054100241，102.1107272，18.4440106，121.8360378，154.6688737，44.27986257），WT_24h_5.tsv = C（8.133354312，97.5821868，10.70295122，176.7748047，164.02099，24.53833578）），类= C（“spec_tbl_df”，“tbl_df”，“tbl”，“data.frame”），row.names = c（na，-6l），spec =结构（列表（cols = list（agi = struct（list（），类 = c("collector_character", "collector")), aox1_0h_1.tsv = structure(list(), class = c("collector_double", "collector")), aox1_0h_4.tsv = structure(list(), class = c("collector_double", "collector")), aox1_0h_5.tsv = structure(list(), class = c("collector_double", "collector")), aox1_12h_4.tsv = structure(list(), class = c("collector_double", "collector")), aox1_12h_5.tsv = structure(list(), class = c("collector_double", "collector")), aox1_12h_6.tsv = structure(list(), class = c("collector_double", "collector")), aox1_24h_4.tsv = structure(list(), class = c("collector_double", "collector")), aox1_24h_6.tsv = structure(list(), class = c("collector_double", "collector")), aox2_0h_3.tsv = structure(list(), class = c("collector_double", "collector")), aox2_0h_4.tsv = structure(list(), class = c("collector_double", "collector")), aox2_0h_5.tsv = structure(list(), class = c("collector_double", "collector")), aox2_12h_1.tsv = structure(list(), class = c("collector_double", "collector")), aox2_12h_2.tsv = structure(list(), class = c("collector_double", "collector")), aox2_12h_3.tsv = structure(list(), class = c("collector_double", "collector")), aox2_24h_1.tsv = structure(list(), class = c("collector_double", "collector")), aox2_24h_4.tsv = structure(list(), class = c("collector_double", "collector")), aox2_24h_5.tsv = structure(list(), class = c("collector_double", "collector")), aox3_0h_1.tsv = structure(list(), class = c("collector_double", "collector")), aox3_0h_2.tsv = structure(list(), class = c("collector_double", "collector")), aox3_0h_3.tsv = structure(list(), class = c("collector_double", "collector")), aox3_12h_1.tsv = structure(list(), class = c("collector_double", "collector")), aox3_12h_2.tsv = structure(list(), class = c("collector_double", "collector")), aox3_12h_3.tsv = structure(list(), class = c("collector_double", "collector")), aox3_24h_1.tsv = structure(list(), class = c("collector_double", "collector")), aox3_24h_2.tsv = structure(list(), class = c("collector_double", "collector")), aox3_24h_3.tsv = structure(list(), class = c("collector_double", "collector")), WT_0h_1.tsv = structure(list(), class = c("collector_double", "collector")), WT_0h_2.tsv = structure(list(), class = c("collector_double", "collector")), WT_0h_3.tsv = structure(list(), class = c("collector_double", "collector")), WT_12h_2.tsv = structure(list(), class = c("collector_double", "collector")), WT_12h_3.tsv = structure(list(), class = c("collector_double", "collector")), WT_12h_5.tsv = structure(list(), class = c("collector_double", "collector")), WT_24h_1.tsv = structure(list(), class = c("collector_double", "collector")), WT_24h_4.tsv = structure(list(), class = c("collector_double", "collector")), WT_24h_5.tsv = structure(list(), class = c("collector_double", "collector"))), default = structure(list(), class = c("collector_guess", "collector")), skip = 1), class = "col_spec"))

4个基因型- WT, 3个突变体(aox1/ aox2/ aox3)

############## #数据分析管道#如下管道:链接https://github.com/wyguo/ThreeDRNAseq/blob/master/vignettes/user_manuals/3D_RNA-seq_command_line_user_manual.md # #具体步骤# run-tximport genes_counts < - txi_genes数美元  ##----->> 参数3 d分析pval_adj_method < -“黑洞”pval_cut < - 0.05 l2fc_cut < - 1 deltaPS_cut < - 0.1 DAS_pval_method <野生 ' ##----->> 两两对比的方法groups contrast <- c('aox1_0h-WT_0h'， 'aox2_0h-WT_0h'， 'aox1_12h-WT_12h'， 'aox3_12h-WT_12h'， 'aox3_12h-WT_12h'， 'aox1_24h-WT_24h'， 'aox2_24h-WT_24h'， 'aox3_24h-WT_24h') # step2: DE基因# batch<- condition2design(condition = metadata$treat, batch. if) <- condition2design(condition = metadata$treat, batch. if) <- condition2design(condition = metadata$treat, batch. if)effect = NULL) #批量if(DE_pipeline == 'glmQL'){##----->> edgeR glmQL pipeline genes_3D_stat <- edgeR。管道(dge = genes_dge, design = design, deltaPS = NULL, contrast = contrast, diffAS = F, method = 'glmQL'，调整。pval_adj_method)} ##保存结果DDD。数据genes_3D_stat < - genes_3D_stat美元  ################################################################################ ##----->> 摘要DE基因DE_genes < - summaryDEtarget(统计= genes_3D_stat DE美元。截断= c。pval = pval_cut log2FC = l2fc_cut DDD))。数据DE_genes < - DE_genes美元

条块图库(tidyverse) df <- read_csv("data/Selected_Count_BR2.csv") longdata <- df %>% gather(key, value， -AGI) %>% separate(key, c("基因型"，"时间"，"复制"))library(plotrix) longdata2 <- longdata %>% group_by(AGI，基因型，时间)%>% summarise_each(funs(mean,sd,std.error)) %>% ungroup() %>% mutate(Time = factor(Time)，基因型(基因型))=因素colnames (longdata2) longdata2美元基因型< -因子(longdata2基因型,美元水平= c(“WT”、“aox1”,“aox2”、“aox3”))#策划longdata2 % > % ggplot (aes (x = y = value_mean,填补=基因型))+ geom_bar(位置= position_dodge(),统计=“身份”)+ geom_errorbar (aes (ymin = value_mean - value_std。+ scale_fill_manual(values=c("#008000"，"#B8860B"，"#4169E1"，"#DC143C"))+ facet_wrap(~ AGI,scale = "free_y")

我理解为什么你可能想要使用像threedrnaseq这样的闪亮应用程序工具，但使用包装包而不是使用底层的Bioconductor包直接限制了我们的帮助能力。如果你不理解ThreeDRNAseq的输出，那么你真的需要通过他们的github站点向该包的作者发送问题。

我是edgeR包的作者，但没有任何办法帮你。我没有看到任何edgeR函数在任何代码中显示在你的问题。我不知道你做了什么分析，看到了什么成果，甚至你的问题是什么。

如果你对直接尝试edgeR感兴趣，请看这里的工作流示例:

https://www.biocumon.org/packages/release/workflows/vignettes/rnaseqgeneedgerql/inst/doc/edgerql.html.