R: p value矫正

Python012

R: p value矫正,第1张

p.adjust 提供多种矫正方法：

Adjust P-values for Multiple Comparisons

"holm", "hochberg", "hommel", "bonferroni", "BH", "BY","fdr"

1 模拟p value

The Normal Distribution

rnorm(n, mean = 0, sd = 1) random 函数，生成随机数，底物

dnorm(x, mean = 0, sd = 1) density 函数

pnorm(q, mean = 0, sd = 1) probability 函数

qnorm(p, mean = 0, sd = 1) quantile 函数

2 Bonferroni矫正

3 FDR矫正

更多

R语言中dnorm, pnorm, qnorm与rnorm以及随机数

setwd("E:/GSE25066")#环境设置

library(limma)#加载差异分析包limma

#将分组文件加载到环境中，分组信息第一列为样本名，第二列为分组信息如“high”“low”

targets<-read.csv("group.csv")

#将表达矩阵加载到环境中，行为基因，列为样本，这里应该注意去除重复项。

eset<-read.csv("expreset-basal1.csv",row.names = "symbol")

targets$Target=gsub("_",".",targets$Target)##若数据中存在特殊符号，将"_"替换成“.”，也可以不替换

##该数据集中实际存在不符合R的命名原则，所以在没个分类前加一个“F”，具体自己定

targets$Target=c(paste0("F",c(targets$Target),collapse = NULL,sep=""))

colnames(targets)=c("FileName","Target")#更改列名，为了和limma包中的一致

lev<-unique(targets$Target)##使用unique（）函数进行去重

f <- factor(targets$Target, levels=lev)

design <- model.matrix(~0+f)

colnames(design) <- lev

cont.wt <- makeContrasts("high-low",

                      +  levels=design)

fit <- lmFit(eset, design)#前面矩阵的row.name=“symbol”

fit2 <- contrasts.fit(fit, cont.wt)

fit2 <- eBayes(fit2)

tT=topTable(fit2, adjust="BH",sort.by="logFC",n=Inf)

tT = subset(tT, select=c("adj.P.Val","P.Value","logFC"))

colnames(tT)=c("FDR","P.Value","logFC")

write.csv(tT,"DEGbasal.csv")

#最后的tT就是得到的差异基因，其中包含基因，P.Value和logFC