在淺探富集分析中的超幾何分布中我們談到了通過p值大小來確定富集到的基因的顯著性，但是p值終歸是人定的请垛，我們不能說定下p值以后小于p值得結(jié)果就都是正確的，這里p值小只是代表假陽性概率小辆它，但并非真的就一定是對的缀去。p=0.05意味著我們檢驗1次犯錯的概率為5%；但是倘若我們檢驗次數(shù)多達10000次识脆，那么犯錯的概率將多達500多次设联。這里雖然犯錯的概率沒變（5%），但是隨著檢驗次數(shù)的增多灼捂，我們犯錯的次數(shù)也實實在在的增多了离例。因此就需要多重檢驗校正來減低假陽性的次數(shù)。
1悉稠、多重檢驗校正方法
1.1 Bonferroni校正
Bonferroni是最簡單嚴厲的方法宫蛆，他直接將閾值降到極低來減少假陽性率。例如：同為檢驗10000次的猛，閾值為5%時犯錯次數(shù)依然會有多達500次耀盗；然而想虎，當我們把閾值提高到5%/10000時，即便檢驗10000次叛拷，犯錯次數(shù)依然不到一次舌厨。
Bonferroni校正閾值的公式為：p*(1/n)，p為普通的閾值胡诗，n為檢驗次數(shù)邓线。
雖然淌友，降低閾值能非常直接的減低假陽性概率煌恢，但同時也過于嚴厲，極有可能將真正的陽性結(jié)果震庭，也即我們想要的結(jié)果也給篩掉了瑰抵。
1.2 FDR (False Discovery Rate)校正
FDR（False Discovery Rate）用比較溫柔的方法調(diào)整，試圖在假陽性和假陽性間達到平衡(即器联，不是不讓假陽性出現(xiàn)二汛，只是將假/真陽性比例控制在一定范圍內(nèi))。
FDR的目標是試圖得到一個校正后的閾值拨拓，來實現(xiàn)：在發(fā)現(xiàn)的差異結(jié)果中肴颊，假陽性控制在極低比例；例如渣磷，檢驗10000次婿着，無論我們得到多少差異基因，能不能保證其中定性為差異基因結(jié)果中醋界，錯誤率在5%以內(nèi)竟宋。如果找到差異基因100個，我能做到拍著胸脯說：“假的差異基因不多于5個”形纺。這就叫FDR< 5%丘侠。
有多種模型用來從p-value估算FDR值，其中使用的最多的是Benjaminiand Hochberg的方法逐样，簡稱 BH法蜗字。BH法雖然不夠精確，但是簡單好用脂新。
BH 方法的公式為：p*(m/k)挪捕，其中的p為普通的p-value，m為檢驗次數(shù)戏羽，k為此次檢驗的p-value在所有檢驗次數(shù)中的排名担神。例如，檢驗了100次（m）始花，則排名為10的Q-value 則為0.03(100/10)=0.3妄讯，代表在這前十次檢驗中假的差異基因不多于10*0.3個孩锡。
FDR常見的閾值為0.1%，1%亥贸，5%等躬窜，也可設(shè)置寬松達25%，表示差異基因結(jié)果中有25%是假的炕置。
BH法只是對FDR的預(yù)估荣挨，并非準確，而且依然過于嚴格（閾值依然卡的太嚴朴摊，假陰性太高）默垄。最有名且精確度更高的是Storey方法。
2甚纲、FDR口锭，Q value，adjust p value
p-value：衡量一次檢驗假陽性率的指標（False positive rate） 介杆；
q value：衡量錯誤發(fā)現(xiàn)率的指標（False discovery rate鹃操，簡稱FDR，所有檢驗中假陽性的概率）春哨。即使用Q value的這個參 數(shù)預(yù)估FDR荆隘。Q value 需要利用公式從p value 校正計算后得到，所以Q value 通常又被稱為adjusted p value赴背。所以一般情況下：我們可以認為Q value = FDR = adjusted p value椰拒，即三者是一個東西，雖然有些定義上的細微區(qū)別癞尚，但是問題也不大耸三。
