基因表达真的是正态分布吗？

基因表达真的是正态分布吗？

最近在做一些基因表达方面的分析，发现不少方法都假设基因表达服从正态分布，于是不禁在想这个假设存在的合理之处是什么？实际情况符合程度如何？

先回答第一个问题，为什么假设基因表达服从正态分布？

本质是因为化学反应的随机碰撞决定的。（暂时不展开说，之后再写一篇来总结下这个方面的内容）

再回答第二个问题，实际情况是否是这样的？

正巧发现Biorxiv上有一篇文章[1]，分析了TCGA中三个肿瘤类型的基因表达情况。发现只有不到50%的基因是服从正态分布的，其他分布包括Gamma，Bimodal，Cauchy和Lognormal，同时发现考虑基因表达的分布情况提高病人生存率的预测。我将在这篇文章中简述作者使用的方法以及重要结论。

图1. 6种不同的概率分布类型

概率分布的判断方法

图2. 概率分布的判断方法

划重点！！！！⭐⭐⭐⭐⭐⭐

1. 超过50%的转录组不服从正态分布，对于RNA-seq数据来说，三个种癌症正态分布分别为，骨髓性白血病AML 30.29%，多形性成胶质细胞瘤GBM 41.8%，卵巢癌 43.18%。Gamma分布是仅次于正态分布的数据类型，范围在21-32%。
2. 非正态分布的基因表达情况也可以判断生存结果：生存分析预测。
3. 非正态分布的基因可以鉴别预后标志基因：GSEA分析。
4. 将基因表达分布类型考虑进去可以提高一个分类器的效果：将分布类型作为一个数据特征来做预后效果的分类，用病人真是的生存结果来做评判。
5. Box-Cox变换不影响正态分布基因的数量：应用统计中经常用Box-Cox变换是非正态分布数据变为正态分布数据，但作者发现，这样的变换并没有达到这个效果。

注：

上述说的基因表达水平是经过log2变换的。