我的实验中有一个deseqdataset对象，我正在尝试获得一个方差稳定值的矩阵，以进行某些下游分析。我的理解方式，我可以通过两种方式进行：

1. 跑variancestabilizingTransformation（）在deseqdataset对象，产生一个deseqtransform对象，然后使用测定（）从deseqtransform目的
2. 跑getVarianCestabilizedData（）在deseqdataset对象，它返回没有中间输出的归一化值的矩阵

但是，我注意到这两种方法产生的矩阵略有不同。为什么有区别？我应该使用哪一个？我猜测variancestabilizingTransformation（）和getVarianCestabilizedData（）可能会使用略有不同的默认参数，但我不确定如何检查。

这是一个最小的工作示例：

库（deseq2）dds < -  makeexampledEseqdataset（m = 6）dds_deseq <-deseq（dds）method_one <-分析（variancestabilizingTransTransFormation（dds_deseq）method_two_two <-getVarianCestAbilizedData（dds_deSeq）# sample1 sample2 sample3 sample4 sample5 sample6 # 4.844203 4.579323 5.181564 4.600407 4.833217 5.279748 method_two[1,] # sample1 sample2 sample3 sample4 sample5 sample6 # 5.024666 4.780600 5.336939 4.799998 5.014525 5.428178

这是我的sessioninfo（）

> sessionInfo（）R版本4.0.2（2020-06-22）平台：X86_64-W64-MINGW32/X64（64位）下运行：Windows 10 X64（构建19041）矩阵产品：默认场所：[1] LC_Collat​​e：[1] LC_Collat​​e= English_united Kingdom.1252 [2] lc_ctype = English_united Kingdom.1252 [3] lc_monetary = English_united Kingdom.1252 [4] lc_numeric = c [5] lc_time = lc_time = English_united Kingdom.1252[6] utils datasets methods base other attached packages: [1] DESeq2_1.30.0 SummarizedExperiment_1.20.0 [3] Biobase_2.50.0 MatrixGenerics_1.2.0 [5] matrixStats_0.57.0 GenomicRanges_1.42.0 [7] GenomeInfoDb_1.26.1 IRanges_2.24.0 [9]S4Vectors_0.28.0 Biocgenerics_0.36.0通过命名空间加载（并且不附带）：[1] HTTR_1.4.2 Splines_4.0.2 [3] BIT64_4.0.5 ASSERTTHAT_0.0.0.2.1 [5] ASKPASS_1.1.1.1.1.1 biocmanag_1.1.1.1.10.1.10.10.10.10.10.10.10.7] [7] [7] [7] [7]]。。4.2 [17] digest_0.6.27 RColorBrewer_1.1-2 [19] XVector_0.30.0 colorspace_2.0-0 [21] Matrix_1.2-18 XML_3.99-0.5 [23] pkgconfig_2.0.3 biomaRt_2.46.0 [25] genefilter_1.72.0 zlibbioc_1.36.0 [27] purrr_0.3.4 xtable_1.8-4 [29] GO.db_3.12.1 scales_1.1.1 [31] BiocParallel_1.24.1 tibble_3.0.4 [33] openssl_1.4.3 annotate_1.68.0 [35] KEGGREST_1.30.1 ggplot2_3.3.2 [37] generics_0.1.0 ellipsis_0.3.1 [39] GenomicFeatures_1.42.1 survival_3.2-7 [41] magrittr_2.0.1 crayon_1.3.4 [43] memoise_1.1.0 xml2_1.3.2 [45] graph_1.68.0 tools_4.0.2 [47] prettyunits_1.1.1 hms_0.5.3 [49] lifecycle_0.2.0 gage_2.40.0 [51] stringr_1.4.0 locfit_1.5-9.4 [53] munsell_0.5.0 DelayedArray_0.16.0 [55] genbankr_1.18.0 AnnotationDbi_1.52.0 [57] Biostrings_2.58.0 compiler_4.0.2 [59] tinytex_0.27 rlang_0.4.9 [61] grid_4.0.2 RCurl_1.98-1.2 [63] rstudioapi_0.13 VariantAnnotation_1.36.0 [65] rappdirs_0.3.1 bitops_1.0-6 [67] gtable_0.3.0 DBI_1.1.0 [69] curl_4.3 R6_2.5.0 [71] GenomicAlignments_1.26.0 dplyr_1.0.2 [73] rtracklayer_1.50.0 bit_4.0.4 [75] stringi_1.5.3 Rcpp_1.0.5 [77] geneplotter_1.68.0 vctrs_0.3.5 [79] png_0.1-7 dbplyr_2.0.0 [81] tidyselect_1.1.0 xfun_0.19

如果您打电话GetVarianCestabilizedData直接绕过variancestabilizingTransformation使用盲目= true默认情况下，您正在比较有关实验设计的盲目和无限转换。类型variancestabilizingTransformation查看源代码。

库（deseq2）dds < -  makeexampledeseqdataset（m = 6）dds_deseq <-deseq（dds）method_one <-ssay（variancestabilizingtransformation（dds_deseq）＃blind = true = true是true is dem is dect n ew shere method_two <-getViarycestabilizeddes_ds_dsexebimizeddataequrizeddataequrequestabiricequretexebextabiledexebextabilectebefter（ddsef）（dds_deseq，blind = false））head（method_one）head（method_two）head（method_three）selustical（method_one，method_two）＃false systalical（method_two，method_three）＃true true