6.4 差异性分析 EMP_diff_analysis

模块EMP_diff_analysis支持实验数据在不同分组条件下的差异性分析，涵盖多种统计检验方法，包括T检验、Wilcoxon检验、单因素方差分析（one-way.test）、Kruskal-Wallis检验、DESeq2、edgeR和limma等。该模块不仅支持多核并行运算以提升效率，还具备缓存快照功能（即：在重复使用相同参数进行计算时，系统将自动提取已缓存的结果，无需重新计算）。

6.4.1 传统统计学方法

🏷️示例1：使用T检验计对属级别的核心微生物数据进行差异性分析，并对p值进行Bonferroni多重检验校正。

注意：
①在分组为两组的情况下， sign_group显示的组别仅代表该特征在所述组别中的均值高于另一组别，但并不涉及统计检验。在本示例中，针对特征列的Alistipes，sign_Group为Group_B表示特征Alistipes在Group_B中的均值高于Group_A；结合pvalue列，T检验的p值为0.167，经Bonferroni校正后的p值为1，表明该特征在组间的差异不具有统计学意义。
②在分组超过两组的情况下， sign_group显示的组别仅代表该特征在所涉及组别中均值最高的分组，但并不涉及统计检验。pvalue列的p值小于0.05代表所涉及组别的均值不全相同，如果想要明确具体哪些分组的均值具有统计学差异，需要进行两两比较。
③在计算两组间均值比值时，如果其中一个特征的值为0，则默认采用另一组对应特征的千分之一赋值，则这种情况下比值为1000或者0.001。
④如需要配对检验，请查看章节10.3 配对检验和干预队列的处理方案。

MAE |>
  EMP_assay_extract('taxonomy') |>
  EMP_identify_assay(method='default',estimate_group = 'Group') |>
  EMP_collapse(estimate_group = 'Genus',collapse_by = 'row') |>
  EMP_diff_analysis(method='t.test',estimate_group = 'Group',p.adjust = 'bonferroni')

🏷️示例2：在分组超过两组的情况下，使用 oneway.test或者kruskal.test进行统计检验。

注意：
①在分组超过两组或者输入数据不是couts、relative、integer时，将无法提供fold_change、VSlog2FC等信息。
②EMP_diff_analysis继承了R内置stats包的方法，可以在模块内增加其参数进行调整。

MAE |>
  EMP_assay_extract('taxonomy') |>
  EMP_identify_assay(method='default',estimate_group = 'Group') |>
  EMP_collapse(estimate_group = 'Genus',collapse_by = 'row') |>
  EMP_diff_analysis(method='oneway.test',estimate_group = 'Status',
                    p.adjust = 'bonferroni',var.equal=TRUE)

6.4.2 DESeq2、edgeR和limma等方法

🏷️示例1：使用DESeq2对宿主基因数据集按照性别进行差异性分析。

注意：
在使用这些方法时，不再使用estimate_group参数来指定分组信息，而是遵循所继承包的习惯语法.formula。

MAE |>
  EMP_assay_extract('host_gene') |>
  EMP_diff_analysis(method='DESeq2',.formula = ~Sex)

🏷️示例2：使用edgeR的几种模式方法。

MAE |>
  EMP_assay_extract('host_gene') |>
  EMP_diff_analysis(method='edgeR_quasi_likelihood',.formula = ~Sex)

MAE |>
  EMP_assay_extract('host_gene') |>
  EMP_diff_analysis(method='edgeR_likelihood_ratio',.formula = ~Sex)

🏷️示例3：更多方法可以尝试。

MAE |>
  EMP_assay_extract('host_gene') |>      
  EMP_diff_analysis(method='edger_robust_likelihood_ratio',.formula = ~Sex) 

MAE |>
  EMP_assay_extract('host_gene') |>
  EMP_diff_analysis(method='limma_voom',.formula = ~Sex) 

MAE |>
  EMP_assay_extract('host_gene') |>
  EMP_diff_analysis(method='limma_voom_sample_weights',.formula = ~Sex)

6.4.3 差异性分析结果过滤及可视化

模块EMP_filter可以帮助快速筛选分析结果，详细用法参见模块EMP_filter帮助文档。

注意：
这里的参数keep_result，详情请参看章节7.1.3

MAE |>
  EMP_assay_extract('geno_ko') |>
  EMP_diff_analysis(method='DESeq2',.formula = ~Group) |>
  EMP_filter(feature_condition = pvalue<0.05 & fold_change > 1.5,
             keep_result = 'EMP_diff_analysis')

将差异性分析结果绘制成火山图。

注意：
在EMP_volcanol_plot中增加show='html'可以提供可交互式图形，便于快速确定差异特征的具体信息。详见8.10 EMP_vocanol_plot。

MAE |>
  EMP_decostand(experiment = 'geno_ec',method = 'integer') |>
  EMP_diff_analysis(method='DESeq2',.formula = ~Group)  |>
  EMP_volcanol_plot(key_feature = c('3.6.1.62','1.5.3.19'),
                    min.segment.length = 0, seed = 42, box.padding = 0.5) ## Add arrow

6.4 EMP_diff_analysis

6.4 差异性分析 EMP_diff_analysis

6.4.1 传统统计学方法

6.4.2 DESeq2、edgeR和limma等方法

6.4.3 差异性分析结果过滤及可视化

results matching ""

No results matching ""