浅谈富集分析的Pvalue

引言

今天给大家带来一个关于“撒币“的问题，说起”撒币“，最经典就是二项分布，也就是你拿起一枚硬币抛向空中，当它转体n个360°，最后华丽的落在地上，出现正面或者反面的概率。具体的一些计算公式各位可自行找度娘索要。

除“撒币“问题，在数学中也有一个很好玩的实验，叫“取球实验”，也是就是在盒子里有黑球黑球黑球黑球白球白球白球…，当我们取n个球时，黑球数目为m时的概率，这个实验换个高级点的词汇，就是超几何分布。超几何分布和二项分布同为离散概率分布，超几何分布描述的是不放回的取样，而二项分布的话是放回取样。

超几何分布

在这里，我们为什么要提这个超几何分布呢，这就要从我们的转录组差异基因的下游分析说起。在差异基因下游分析中，GO富集分析和KEGG分析是最常见的，其Pvalue计算都是基于超几何分布。

首先，我们来看超几何分布的计算公式：

在这里呢，我们可以将N，M，n和k转化为的差异基因的参数，这也便于我们理解怎么计算某个GO term的Pvalue。

• N：基因组中与该GO term同属于同一层面（BP、CC或者MF）的基因数目
• M：基因组中含有该GO term的基因数目
• n：差异基因中与该GO term同属于同一层面（BP、CC或者MF）的基因数目
• k：n中含有该GO term的基因数目

Python计算超几何分布

目前python中Numpy的random包中提供了产生超几何分布结果的函数：
numpy.random.hyermetric(ngood, nbad, nsample, size=None)
具体可见here

• ngood：做出好的选择的数量，也就是上面的含有该GO term的基因数目，即M
• nbad：做出坏的选择的数目，也就是上面的不含有该GO term的基因数目，即N-M
• nsample：取样的数目，也就是差异基因的数目，即n
• size：采样的组数，即试验组数组数

上面的hypermetric()函数返回一组size大