解读此表
但是上面的用法做不到随心所欲的指定任意两组进行比较，所有还有下一种方法
处理好了分组信息，再自定义比较元素
自定义函数进行比较
热土和火山图都是傻瓜式的，只要的前面得出的deg数据(也就是基因差异表达数据）是正确的
今天就先来聊聊如何看差异表达基因数据，火山图，聚类图又怎么看。1差异基因筛选方法那差异基因是如何筛选出来的呢？差异基因的筛选方法有很多，包括倍数法、T检验、F检验及SAM等。下面简单介绍一下GCBI上用的倍数法和SAM法。
倍数法适用于没有生物学重复的样本，其计算基因在两个条件下表达水平的比值，确定比值的阈值，将绝对值大于此阈值的基因判断为差异基因。
SAM算法适用于有生物学重复的样本，通过对分母增加一个常量 T 检验过程减小了假阳性发生的概率。文献中报道，相较于其他算法，SAM算法更为稳定，筛选出的结果也更为准确。2差异基因数据解读经过合适的差异基因方法筛选出的差异基因，结果一般分为两部分，数据+图形。
数据结果展示如下图所示（两分组）众多参数中，重点看三个。p-value或q-value没有做生物学重复请跳过这一步。
p-value或q-value是统计学检验变量，代表差异显著性，一般p-value或q-value小于0.05代表具有显著性差异，但可根据具体情况适当调整。
因为p-value或q-value衡量地是某个基因假阳性的概率，如果p-value或q-value越低，那么挑选该基因出现假阳性的概率就越低，可验证性就越高。
两者具体的计算方法具体如下：那p-value、q-value同时存在时看哪个呢？
SAM法只有q-value。当两者同时存在时，可根据具体情况具体分析。
差异筛选是一个典型的多重假设检验过程，对于多重假设检验，单次检验中差异显著基因的假阳性率(p-value较小)可能会较大，而q-value和FDR值较常见的BH校正方法得到的FDR值而言，改进了其对假阳性估计的保守性。
即q-value相比于p-value更加严格，当差异基因结果较少时，可以退而求其次看p-value。Fold ChangeFold Change表示实验组比上对照组的差异表达倍数，一般表达相差2倍以上是有意义的，放宽要求1.5倍或者1.2倍也可以接受。
看表达倍数的同时还需结合基因表达丰度，信号值太低的基因会在后续的验证实验中检测不到。3差异基因图表解读在差异结果的图形展示结果中，主要是火山图和聚类图。火山图火山图只针对两分组且有生物学重复的情况。
如何看火山图呢？火山图可反映总体基因的表达情况，横坐标代表log2（Fold Change）,纵坐标表示-log10（P值），每个点代表一个基因，颜色用以区分基因是否差异表达，图中橙色的点代表差异表达基因，蓝色的点代表没有差异表达的基因。聚类图聚类图可以衡量样本或基因之间表达的相似性。
如上图所示的聚类图中，横坐标代表样本聚类，一列代表一个样本，聚类基于样本间基因表达的相似性，样本间基因表达越接近，靠的越近，以此类推。
纵坐标代表基因聚类，一行代表一个基因，聚类基于基因在样本中表达的相似性，基因在样本中表达越接近，靠的越近，以此类推。
色阶代表基因表达丰度，越红代表上调得越明显，越绿代表下调得越明显。
如何做聚类图请戳往期推送做个聚类图只需1分钟
差异基因有了，如何挑选潜在基因进行实验验证呢？
关键还在于感兴趣点在哪了。粗略的看，可以先看KEGG或者GO功能分类，看差异基因具体富集在哪些通路或功能。
比如关注的是细胞内酸合成关键酶，可以重点看酸合成和碳流相关通路。具体如何看KEGG或者GO功能分类，请听下回分解。
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
