为什么百分百还原文献结果反而不对呢
去年我在《生信技能树》给学员分享过一个案例：GSE16561 复现，小众的illumina bead芯片，链接在：http://www.bio-info-trainee.com/7483.html ，当时大费周折才拿到跟其数据集原始文献类似的结果，已经是很满意了。
最近把这个数据集作为任务安排给最新学徒们，他们反馈给我的结果让我丈二和尚摸不着头脑，居然是百分百还原文献结果，如下所示的差异基因列表：
那我就纳闷了，赶紧检查他附送的代码 。
第一步：拿到表达矩阵
rm(list = ls()) ## 魔幻操作，一键清空~
options(stringsAsFactors = F)
# 载入包
library(AnnoProbe)
library(GEOquery)
gset <- geoChina("GSE16561")
load('GSE16561_eSet.Rdata')
a=gset[[1]] #
dat=exprs(a) #a现在是一个对象，取a这个对象通过看说明书知道要用exprs这个函数
dim(dat)#看一下dat这个矩阵的维度
dat[1:4,1:4] #查看dat这个矩阵的1至4行和1至4列，逗号前为行，逗号后为列
boxplot(dat[,1:5],las=2)
# 可以看到box-and-whisker plot 的box基本上差不多
# 使用limma包进行归一化 数据集的数据便有了相似的分布
library(limma)
dat=normalizeBetweenArrays(dat)
boxplot(dat[,1:5],las=2)
#通过查看说明书知道取对象a里的临床信息用pData
pd=pData(a)
## 挑选一些感兴趣的临床表型。
library(stringr)
## 结果是个包含'Stroke','Control'的向量
group_list=ifelse(grepl('Stroke',pd$title),'Stroke','Control')
## the counts at each combination
table(group_list)
真的是诡异，我看了看，它这个表达矩阵，起初呢，表达量很明显是被zscore了，所以值是围绕着0上下起伏。然后他自作聪明使用了limma包附带的normalizeBetweenArrays函数，如下所示：
后面的差异分析，居然，他完全就是拿这个被zscore而且normalizeBetweenArrays函数处理的矩阵，我嘞个去，这么多细节，他全部做错了，但是它最后得到的差异基因反而和文章是几乎一模一样，包括挑出来的基因进行热图可视化，如下：
如果你仔细看两个表达矩阵的PCA，你甚至完全看不出来：
那么，我之前给出来的正确的答案的表达矩阵如何得到的呢，代码如下：
rm(list = ls())
# https://ftp.ncbi.nlm.nih.gov/geo/series/GSE16nnn/GSE16561/suppl/GSE16561_RAW.txt.gz
b=read.table('GSE16561_RAW.txt',header = T)
b[1:4,1:4]
rownames(b)=b[,1]
b=b[,-1]
boxplot(b[,1:5],las=2)
b=log(b+1)
boxplot(b[,1:5],las=2)
dat=b
library(limma)
dat=normalizeBetweenArrays(dat)
boxplot(dat,las=2)
pd=pData(a)
colnames(dat)
library(stringr)
group_list= str_split(colnames(dat) ,'_',simplify = T)[,2]
table(group_list)
也就是说，我并没有使用getGEO函数下载到的表达矩阵，因为安装我的经验，根据boxplot判断，这个表达矩阵已经被zscore了，理论上没办法进行后续分析了。
现实狠狠的扇了我一巴掌，哪怕表达矩阵已经被zscore了，居然拿到的差异基因没有问题。本来呢，我是怀疑这个数据集本身的文献，2011发表的那个就错了。
接下来我就比较了两次差异分析的区别：
这个差异基本上可以忽略了。
可以看到，上下调基因大体上是一致的，至于数值上的差异，本来就不重要。成比例的变动，等价于没有变化。
但是，背后的统计学原理我还没有想清楚，为什么表达矩阵已经被zscore了却并不是非常的影响它的后续差异分析呢？