Limma | 三个组的差异分析怎么分析做呢！？~

### 如何使用 R 的 `limma` 包对血清蛋白质组学数据进行差异表达分析 #### 准备工作 为了确保能够顺利执行差异表达分析，需要先安装并加载必要的R包： ```r if (!requireNamespace("BiocManager", quietly = TRUE)) install.packages("BiocManager") BiocManager::install("limma") library(limma) ``` #### 数据预处理 假设已经拥有了经过标准化处理后的血清蛋白定量矩阵以及样本信息表。这里提供了一个简单的模拟例子用于说明流程。 创建一个示例的数据框表示不同条件下测量得到的蛋白质丰度值: ```r set.seed(1234) # 创建假定条件A和B下各三个重复样品共六个样本的蛋白质表达量数据集 exprs <- matrix(rnorm(60, mean=8, sd=2), nrow=10, dimnames=list(paste0('Protein', 1:10), paste(rep(c('Cond_A','Cond_B'), each=3), 'Rep_', rep(1:3)))) colData <- data.frame(condition=factor(rep(c('Cond_A','Cond_B'),each=3))) rownames(colData) <- colnames(exprs) head(exprs) print(colData) ``` 上述代码片段生成了一组含有两个实验条件（`Cond_A`, `Cond_B`），每种情况下有三次生物学重复的人工合成蛋白质表达谱型数据[^2]。 #### 构建设计矩阵与对比设置 接下来定义线性模型的设计矩阵，并指定感兴趣的比较关系： ```r design <- model.matrix(~ condition, data=colData) fit <- lmFit(exprs, design) contrast_matrix <- makeContrasts( Cond_B_vs_Cond_A = Cond_B - Cond_A, levels = design ) fit2 <- contrasts.fit(fit, contrast_matrix) ebayes_fit <- eBayes(fit2) topTable(ebayes_fit, adjust="fdr", number=nrow(exprs)) # 调整多重检验校正方法为FDR控制下的q-value ``` 这段脚本实现了通过拟合线性回归模型来评估两组间是否存在统计意义上的区别；特别地，在此过程中应用了经验贝叶斯调整以提高小规模样本情况下的检测效能。 #### 结果解释 最终输出的结果表格包含了多个列项，其中最重要的是log fold change (logFC)，t-statistic (t)，P Value 和 Adjusted P value (adj.P.Val). 对于每一个蛋白质而言，如果其对应的调整后p值小于预先设定阈值（比如0.05），则认为该蛋白质在这两种状态之间存在显著性的变化趋势。 此外还可以绘制火山图帮助直观理解哪些蛋白质发生了明显上调或下调： ```r volcanoplot(ebayes_fit, highlight=length(which(decideTests(ebayes_fit)!=0)), names=rownames(exprs)) ``` 这一步骤有助于快速筛选出那些既具有较大倍数改变又具备高度置信水平的目标分子作为后续研究的重点对象。