不要看数量，要看质量
我的回答，统一是：不要看数量，要看质量！！！
早在教程：RNA芯片和测序技术的比较（学徒作业）,我其实就提出来了，比较同样实验设计的两个表达量探索研究，一个研究使用的是芯片，一个是测序，看看两者的差异基因情况的overlap情况，这样的策略其实是太粗糙了。正确的做法应该是看两次差异分析的基因的logFC的散点图，如下：
而且你可以进行更细致的探索，我们这里以文章：《RNA sequencing atopic dermatitis transcriptome profiling provides insights into novel disease mechanisms with potential therapeutic implications》为例子：
比如把基因按照表达量划分高中低三组，后再去看表达量相关性：
再比如选取那些两次差异不统一的基因进行后续功能富集，看看那些基因是否有很多生物学意义。
这样的探索才是合格的，首先要搞清楚流程，然后搞清楚流程里面的哪些细节是可以调整的， 而且理解调整前后的结果的变化的差异程度能够被接受与否。
以及如何论证不同流程，不同软件，不同参数，不同阈值的结果的差异背后的生物学意义。多做一些实战项目是有助于你理解差异分析的作用和本质，比如我带学徒就会安排他们一些图表复现：
1. 公共数据辅助乳腺癌的免疫治疗机制研究 2. 有生物学意义的复杂热图 3. 干扰MYC‑WWP1通路重新激活PTEN的抑癌活性——3步搞定GSEA分 析 4. 按基因在染色体上的顺序画差异甲基化热图 5. 热图、⻙恩图、GO富集分析图（有了转录组数据不知道该怎么写⽂ 章，看我就对了！） 6. 纯R代码实现ssGSEA算法评估肿瘤免疫浸润程度 7. 肿瘤异质性+免疫浸润细胞数据挖掘(可能是Y简单的3分⽂章了) 8. ArrayExpress数据库的基因芯⽚原始数据处理，3D主成分图及聚类热 图 9. 学徒数据挖掘第⼆期汇总之多分组基因注释代码⼤放送 10. TCGA数据辅助甲基化区域的功能研究 11. 你确定你的差异基因找对了吗？ 12. 看nature⽂章是如何设计和使⽤普通转录组数据 13. 不⼀定正确的多分组差异分析结果热图展现 14. 如果传统bulk转录组数据队列⾜够⼤也可以使⽤单细胞流程 15. 最简单的芯⽚挖掘也会出错(菜⻦团周⼀数据挖掘专栏第？期) 16. 乳腺癌的IHC分类和PAM50分型的差异情况 17. 你要挖的公共数据集作者上传了错误的表达矩阵肿么办（如何让⾼⼿ ⼼⽢情愿的帮你呢？）
赠送全套生物信息学资料
如果你也有一些生物信息学相关经验或者想法需要分享，生信技能树提供平台哈，你可以发笔记也可以开直播，或者录制视频教程！只需要完成任意学徒作业，比如：RNA芯片和测序技术的比较（学徒作业）,并且提交笔记给生信技能树jimmy，发邮件到 jmzeng1314@163.com ，合格者可以拿到全套生物信息学资料，只要你想要学的，只要我有，统统给你！
赞 (0)