生信小博士的博客

https://www.rndsystems.com/cn/resources/protocols/graphic-protocol-preparation-and-chromogenic-ihc-staining-frozen-tissue-sectionshttps://www.rndsystems.com/cn/resources/protocols/graphic-protocol-preparation-and-chromogenic-ihc-staining-frozen-tissue-sect

相关性分析用于评估两个或多个变量之间的关联。例如，如果我们想知道父亲和儿子的身高之间是否存在关系，可以计算相关系数来回答这个问题。如果两个变量（父亲和儿子的身高）之间没有关系，则儿子的平均身高应该相同，而与父亲的身高无关，反之亦然。注意，仅当数据呈时，才可以使用相关性分析。可以使用进行检查。请参看第六讲小编将描述几种相关性分析的方法，并提供示例。

它是一个功能比较全的包，既含有cDNA芯片的RAW data输入、前处理（归一化）功能，同时也有差异化基因分析的“线性”算法（limma: Linear Models for Microarray Data），特别是对于“多因素实验（multifactor designed experiment）”。这时候edgeR依然可以用，不过需要认为指定一个dispersion值，这样的不同的人就可以有不同的结果，在查阅了很多资料之后呢，大家一致认为没有重复的转录组数据应该用GFOLD软件。

大家都知道芯片数据跟RNA-seq数据的本质就是value的分布不一样，所以各种针对RNA-seq的差异分析包也就是提出来一个新的normalization方法而已。大家都知道，这十几年来最流行的差异分析软件就是R的limma包了，但是它以前只支持microarray的表达数据。用法与limma一模一样的，只是多了一个normalization而已。而我们limma本身就提出了一个。

【代码】Analyzing RNA-seq data with DESeq2 deseq2官网 必须使用原始数据 raw_counts。