我是R的新手，最近开始用它来分析一些微阵列数据。该分析的总体目标是采用DC2并比较该群体中的WT与KO组。但是我遇到了一些问题处理问题。在使用oligo包处理数据之后，我尝试使用limma创建用于分析的设计矩阵。这是我对DC2的ExpressionSet的工作流程：
pData(DC2)
index filename genotype cell_type
1 KO DC2 2 HP10.CEL KO DC2
2 KO DC2 3 HP11.CEL KO DC2
3 KO DC2 4 HP12.CEL KO DC2
1 WT DC2 10 HP7.CEL WT DC2
2 WT DC2 11 HP8.CEL WT DC2
3 WT DC2 12 HP9.CEL WT DC2
design <- model.matrix(~DC2$genotype)
design
(Intercept) DC2$genotypeWT
1 1 0
2 1 0
3 1 0
4 1 1
5 1 1
6 1 1
fit <- lmFit(DC2, design)
fit <- eBayes(fit)
toptable(fit)
以下列出基因列表：
logFC t P.Value adj.P.Val B
17551163 14.09722 208.2627 2.990326e-13 2.700912e-10 17.14467
17511316 13.91167 205.0811 3.292503e-13 2.700912e-10 17.12716
17551167 13.92093 204.5801 3.343243e-13 2.700912e-10 17.12434
17375373 13.76320 202.1271 3.605170e-13 2.700912e-10 17.11025
17550685 13.74022 201.5428 3.671032e-13 2.700912e-10 17.10682
然而，当我使用此代码手动检查（仅使用第一个功能）时：
toptable(fit, n=1)
genename <- rownames(toptable(fit, n=1))
typeMean <- tapply(exprs(DC2)[genename,], DC2$genotype, mean)
typeMean["KO"] - typeMean["WT"]
相同功能“17551163”的输出不同
KO
0.04538317
我试图寻找答案，但没有运气。我假设这可能与矩阵设计有关？任何帮助将不胜感激。
由于
答案 0 :(得分：1)
答案，对于那些在问题下面的评论中跳过阅读讨论的人。
在使用lmFit和eBayes执行估算后，我们可以质疑我们在model.matrix步骤中提供的所有对比之间的最高分化基因。
在这里，作者创建了如下设计：design <- model.matrix(~DC2$genotype)。请记住(Intercept)是第一个系数，如果我们需要明确说我们希望对比与DC2$genotype相关，那么调用应该是：
toptable(fit, coef = 2)
当然，如果设计包含更多对比度，则会为它们分配连续的自然数。
<强> REMARK
如果我们想从设计中删除拦截design <- model.matrix(~ -1 + DC2$genotype);第一个系数现在是DC2$genotype。