DESeq2和EdgeR都可用于做基因差異表達分析，主要也是用于RNA-Seq數據，同樣也可以處理類似的ChIP-Seq,shRNA以及質譜數據。

這兩個都屬于R包，其相同點在于都是對count data數據進行處理，都是基于負二項分布模型。因此會發現，用兩者處理同一組數據，最后在相同閾值下篩選出的大部分基因都是一樣的，但是有一部分不同應該是由于其估計離散度的不同方法所導致的。 ### DESeq2的使用方法：

輸入矩陣數據，行名為sample，列名為gene；DESeq2不支持無生物學重復的數據，因此我選擇了2個樣本，3個生物學重復的數據；并對count data取整(經大神指點，這里需要說明下，我的測試數據readcount是RSEM定量的結果，并不是常見的htseq-count的結果，所以count值會有小數點，而DESeq2包不支持count數有小數點，所以這里需要round取整)。

database_all

database

type

database

設置分組信息以及構建dds對象

condition

coldata

dds

使用DESeq函數進行估計離散度，然后進行標準的差異表達分析，得到res對象結果

dds

res

最后設定閾值，篩選差異基因，導出數據

table(res$padj <0.05)

res

resdata

write.csv(resdata,file = "LC_1_vs_LC_2.csv")

EdgeR的使用方法：

跟DESeq2一樣，EdgeR輸入矩陣數據，行名為sample，列名為gene；DESeq2不支持無生物學重復的數據，因此我選擇了2個樣本，3個生物學重復的數據。

exprSet_all

exprSet

group_list

設置分組信息，去除低表達量的gene以及做TMM標準化

exprSet 1) >= 2,]

exprSet

exprSet

使用qCML(quantile-adjusted conditional maximum likelihood)估計離散度(只針對單因素實驗設計)

exprSet

exprSet

尋找差異gene(這里的exactTest函數還是基于qCML并且只針對單因素實驗設計)，然后按照閾值進行篩選即可

et

tTag

tTag

write.csv(tTag,file = "LC_1_vs_LC_2_edgeR.csv")

Summary

以上我主要針對單因素兩兩比較組進行差異分析，其實DESeq2和EdgeR兩個R包都可以對多因素進行差異分析。

DESeq2修改以上代碼的分組信息design參數以及在差異分析results函數中添加所選定的分組因素，其他代碼基本一樣，具體參照DESeq2手冊

EdgeR則需要用Cox-Reid profile-adjusted likelihood (CR)方法來估算離散度，y

總結

以上是生活随笔為你收集整理的edger多组差异性分析_简单使用DESeq2/EdgeR做差异分析的全部內容，希望文章能夠幫你解決所遇到的問題。

如果覺得生活随笔網站內容還不錯，歡迎將生活随笔推薦給好友。