不管芯片数据还是测序数据，得到的差异表达基因DEGs都是独立的基因，如果直接对这些基因分析叫单基因分析，这种分析会有很多弊端，比如：
-
因为噪音的存在，结果本身就是不可靠的
-
因为对DEGs个人取舍条件的不同，也会造成结果不可靠
-
工作量增大
-
只关注单个基因而忽视基因之间的相互作用，这就很难揭示具体生物学过程，或不可靠
所以要对这些DEGs进行整合分析，这也是下游分析的关键，也就是要发现这些DEGs所揭示的生物学意义。
1聚类分析
就是把表达模式相似的基因集合到一起，然后以基因集的形式进行合并分析。通俗来说，就是把一整个相对散乱的差异基因根据表达模式相似性，划分为不同的集合，也就是后续对这些集合进行分析。通常的聚类方法有K均值算法，层次聚类，自组织映射等。
2富集分析
富集分析需要有先验知识，那就是对已知的基因有功能注释，然后对目标基因进行功能富集。因为已经有对每个基因的功能注释，所以这种富集结果比较可靠，也有利于揭示生物学问题。
对基因功能注释比较常用的数据库是GO和KEGG，这基本已经成为基因注释和富集分析的标配和必需。富集分析也有两种，一种是Fisher精确检验;一种是GSEA分析,GSEA可以自己定义适合自己的基因集。
注意：GSEA分析RNA-seq数据时，要对基因表达量进行标准化处理。
3共表达网络(WGCNA）
4RNA-seq数据还可以进行可变剪切，基因融合等分析
作者：Y大宽
來源：简书
简书著作权归作者所有，任何形式的转载都请联系作