生信豆芽菜-deseq2差异分析使用说明

网站：http://www.sxdyc.com/diffDeseq2Analyse
一、deseq2差异分析简介
DESeq2是一个为高维计量数据的归一化、可视化和差异表达分析而设计的一个R语言包。它通过经验贝叶斯方法(empirical Bayes techniques)来估计对数倍数变化(log2foldchange）和离差的先验值，并计算这些统计量的后验值。
二、使用须知（几个概念）
1、Group:表示的是样本的分组信息。差异分析中，一般只有两组，进行比较，即A和B组进行比较；
2、P值：P值即概率，反映某一事件发生的可能性大小。在差异分析中，p值的大小反应的是分组样本的重复性，组内重复性越好，p值往往越小，在分析的过程中，我们一般认为满足p<0.05的情况下，该特征（基因）差异才是真正的差异基因，而不是由于离群样本过高/过低导致的假阳性结果。
三、使用方法
1、打开网址（http://www.sxdyc.com/singleCollectionTool?href-diff），选择“deseq2差异分析”。

2、准备数据
一个全基因的表达谱矩阵，其中行为基因，列为样本

一个样本分组信息，包含两列，第一列为样本名，第二列的分组

3.输入比较和被比较的组名
这里输入的是比较组为C1，被比较组为C2，代表该差异分析为C1vsC2

获取到的结果，log2(FC)>0的基因为在C1组中高表达，log2(FC)<0的基因为在C1组中低表达
这里需要注意的是deseq2包进行差异分析输入的readcount的数据，而不能是TPM/FPKM的数据。
数据格式用为txt文本，以制表符分割。
4.点击提交
5.输入分析队列名，点击提交

6. 等待结果，查看结果
   结果生成了两个文件：
   dat.deseq2.diff.txt （差异分析的结果）
   结果需要注意的是：列名错位，A列其实是基因，B为logFC，C为PValue，D为FDR
   

dat.deseq2.exp.txt （预处理后的基因的表达谱）

四、分析结果

1. log2FC中的FC即 fold change，表示两样品（组）间表达量的比值，对其取以2为底的对数之后即为log2FC。
2. FDR即False Discovery Rate，错误发现率，是通过对差异显著性p值（p-value）进行校正得到的。
   注意：在自测数据中，由于样本较少，在选择差异分析时，可以选择p值而不是FDR（校正后的p值）
   当然，如果不清楚数据是什么样的，可以选择下载我们的示例数据，可以关注公众号：豆芽数据分析