Please enable JavaScript.

Coggle requires JavaScript to display documents.

(Bulk NGS analysis), Pathway analysis - Coggle Diagram

- - - - DEGseq 早期設計針對無生物重複資料的過往方法（用 MA-plot 與抽樣模型），但現代生物資訊學界認為沒有生物重複的差異分析在統計上缺乏效力（Statistical Power）。
    - - 在非重複數據上進行 DGE，也是 trinity 最佳實踐/指南所建議的。從 0.1 的離散開始分析，根據數據集/生物體逐步提高到大約 0.4。
      - 細胞株實驗（Cell line）的真實 BCV 大約落在 0.1（等於 Dispersion = 0.1^2 = 0.01）。
        
        基因剔除/控制良好的實驗 BCV 大約為 0.2。
        
        人類臨床檢體（Human tissue） BCV 大約為 0.4。
      - 主要依賴傳統的 P-value 和 Fold Change 進行顯著性篩選
      - Pvalue<=0.01 →FDR<=0.05 →logCPM>=1 →logFC<=-1
      - 先排序P value最小到最大→排序logFC最大到最小
    - - 專門為無重複或少重複資料設計，能藉由先驗分佈與可靠的貝氏收縮估計（Posterior distribution），給出具生物學意義的基因排名。
      - 輸出 GFOLD 值與可靠度指標（E-FDR），避免低表達量基因因隨機變異產生巨大且具誤導性的 Fold Change。
  - - - 統計模型依賴負二項分布，必須藉由多個生物學重複來估算每個基因在樣本間的真實生物變異