差异分析流程（五）三大R包比较

总目录：

1. 数据预处理
2. limma包进行差异分析
3. edgeR包进行差异分析
4. DESeq2包进行差异分析
5. 三大R包比较

1.输入数据比较

• edgeR: 原始的count矩阵，支持单个样品和重复样品
• DESeq2: 原始的count矩阵（htseq-count），只支持重复样品
• limma： 原始的count矩阵（需自己标准化，一定要log化）、经过标准化的矩阵或芯片数据，只支持重复样品

注： 无重复RNAseq样本推荐使用Gfold软件进行分析

2.性能比较

• 导入数据

load('edgeR_diff.Rdata')
edgeR<-diff_signif
load('limma_diff.Rdata')
limma<-diff_signif
oad('deseq2_diff.Rdata')
deseq2<-diff_signif

• 差异基因数目比较

dim(deseq2)
dim(limma)
dim(edgeR)

edgeR: 得到基因数目最多

DESeq2: 得到基因数目适中

limma： 得到基因数目最少

• 差异基因一致性比较

library('VennDiagram')
data=list(DEseq2=rownames(deseq2),edgeR=rownames(edgeR),limma=rownames(limma))
ve<-venn.diagram(data,filename = NULL,fill=c('red','yellow','blue'))
grid.draw(ve)

结论：

1. 三个R包得到的差异基因数目差别不是很大
2. edgeR包和DEseq2包得到的差异基因更加相似
3. limma包得到的差异基因准确率最高（其他两个R包不能得到的差异基因数量最少，只占总数的2%），但假阴性高（实际差异结果不差异）
4. edgeR包能得到更多的差异基因，但假阳性高（实际不差异结果差异）

• 运行速度比较
  计算从导入数据（16610基因，8样本）到差异分析结束所需要的时间

1. limma: 3.944069 secs
2. edgeR: 5.882637 secs
3. DEseq2: 10.55145 secs

由此可见limma分析速度最快，DEseq2分析速度最慢