输入编辑模式
你好,
我一直在搜索它的废气，如果我错过了一个解决方案，请道歉。
我正在尝试在Deseq2进行配对分析，意思是具有配对样本设计。
我有两个组的数据集(这是我的批)，每个组有不均匀的受试者数量，每个受试者只能在一个组中有一个或两个样本(所以一个或两个条件)。注意，我的计数是用kallisto估计的。我的colData看起来像一个玩具样的例子:
样品批量调节主题1样品1 1 A S1 2样品2 1 B S1 3样品3 1 A S2 4样品4 1 B S2 5样品5 1 A S3 6样品6 1 B S3 7样品7 1 A S4 8 SAMPT8 1 B S4 9 SAMPRE9 1 A S5 10样品10 1b S5 11样品11 2 A S6 12样品12 2 B S6 13 13 Sample13 2 A S7 14 Sample14 2 B S7 15 Sample15 2 A S8在该示例中，批量== 1具有每个受试者的5个受试者，而Batch == 2具有3个受试者，其中一个受试者只有一个条件。我简化了保持相对于条件的平衡配对样本，因此我过滤了样品15。
我的目标是在控制受试者效果的同时测试条件效果。
所以最初我认为我的模型应该是~批处理+主题+条件。为了查看条件效果(同时控制了批处理和主题效果)，我将查看的resultName是'condition_B_vs_A'。这种模型设计导致了“模型矩阵不满秩”误差。
dds = DESeqDataSetFromMatrix(countData =计数。mat, colData = sample.summary。checkFullRank(modelMatrix)错误:模型矩阵不是满秩的，因此模型不能按规定拟合。设计公式中的一个或多个变量或交互项是其他变量的线性组合，必须去掉。问题是批量和主题的线性。Vignette中线性的例子与我的理解没有完全匹配。
虽然我尝试了一些思想的思想，这里有一些谈话（如我的最后一个手段首先应用批量校正，转换为正整数，然后使用〜主题+条件运行Deseq2，这给了零点），我没有尝试过工作。
顺便说一句，如果我不做配对的设计并且只有〜批处理+条件，模型很好地工作。但我想利用每个受试者的条件的事实。
任何洞察力都会非常感谢！
谢谢michael为您的回复。
虽然我已经看到推荐利马具有重复性的讨论，但我想知道我是否可以用DESEQ2进行。
我的混乱正好在小插图的一部分“群体特定条件效应，个人嵌套在群体中”，因为我认为主题是有点分组两个不同的科目 - 但我现在已经意识到它究竟是什么所做的那么好。但我不是在寻找特定于群体的（或批量特定于我的案例）条件效果，而只是条件效应，同时调整组/批处理和对象差异。所以我在添加主题时尝试了以下模型：
但是，请让我走一步，在那里我在简单模型中获得了一个融合问题，我尝试了两件事没有解决问题的事情。首先将DESEQ函数分成步骤并增加MAXIT，第二个以过滤更低的表达基因。
如何解决收敛问题?我甚至重复了这些单独的步骤，并添加了useOptim选项:
另外，为了让条件效应纠正批量和科目的差异，是res1或res2？
跳到最上面，如果你不想组特定条件的效果，只需使用~sample + condition。你不能(也不能)控制比样品更高的分辨率。
如果通过组特定于组，我们的意思是特定于批量（在这种情况下），那么我肯定不会。我只需要纠正批次。
当你说“你没有（并且不能）控制比样本更高的分辨率”，你的意思是在Deseq2或一般？如果我的模型是〜sample +条件，那么我如何考虑样本1和样本2来自同一主题？或者该样本1和样本14来自不同的批次？
对不起，上面你有
主题。用〜主题+条件。您不需要另外控制任何嵌套主题的任何内容。嗯，我也有这个想法，但不是科目之间的想法？所以对于部分之间，我不需要批量批量吗？当你说“在其中嵌套在哪个主题内”时，你的意思是什么？它现在嵌套了
批处理：主题不是这个模型？也是，仍然存在
〜主题+条件（这是我以上开始的模型）有没有收敛的基因。主题在批处理范围内 - 也许与统计学家讨论这种情况。
RE：收敛，我建议如下：
对于选择的X来避免你有很多零的基因，也许是7。
谢谢Michael，一切都很清楚。
实际上，通过提升来解决汇编
x =我样本的2/3。非常感谢！如果我可能会问一件事，为什么虽然我达到了融合，但我发现没有参数？
我唯一的方法是我是我通过单独通过p值过滤。甚至没有fc。以下是log2fc，padj和p值的范围，以及带有p值和log2fc发行版的火山。
您的数据集没有大的更改。您无法拒绝这些基因的空。
您可能希望与统计学家讨论有关推动未来数据集的统计学家。
我完全同意。但是当我不进行配对分析时，我使用简单〜批量+条件模型，电源非常好。我通过FDR和4FC过滤并获得数百只DEG。我想知道为什么配对是如此贫穷。
对不起，我错过了初始帖子中的那部分。
好吧，我猜你可以与100岁的重要意义，并通过增加对象条款的所有额外协变量，减少自由度。
我会注意到，随着患者基线的会计，这些LFC很小。所以我不会在告诉你变化时难以推动数据。
我理解你的观点并同意你的看法。
但是当我使用我的1/10个样本进行配对分析时，我会像P0.01和4FC阈值一样如1000°。虽然仍然没有足够的FDR。但我确实期望有更多的样本会增加力量，而不是相反的样本。对我来说感觉很奇怪。但也许你是对的，也许添加所有这些主题术语最小化任何效果。
你认为蕾丝会更合适吗？
我当然不想推动它的数据太难，只是想确保我这样做是正确的..
在软件问题方面，我没有更多的建议。
您的评论非常感谢，谢谢