Significance A and B for protein ratios

实验设计中，通常会作三个生物学重复来确保结果的准确性，尤为在下游分析中。但有时会遇到没有生物学重复，而又须要进行差别分析的状况，这时通常建议考虑foldchange便可，由于根本没法进行T-test等统计学方法嘛。可是若是必需要算一个P值（我的以为没啥必要。。。），那么不一样组学有各自处理的方法（虽然并非靠谱），好比NGS的转录组的一些软件会预估一个离散度作校订，而质谱的蛋白组则是用Significance A/B算法，这篇文章主要讲下Significance A/B是怎么来的

通常在网上搜Significance A/B是很难搜到相关信息的，由于这个是特定用于蛋白组学的一种统计学方法，并且如今来讲用的也比较少了；那当初为什么提出这分析方法，我的以为多是由于那时蛋白组学成本太高。之前一直只知道有这一分析方法，可是不知其原理，最近在搜索中无心发现一个帖子What statistical methods for ITRAQ with two biological replication?，其中提到一篇文章中有对Significance A/B的介绍

Significance A/B最早是发表于2008年Nature Biotechnology期刊上，MaxQuant enables high peptide identification rates, individualized p.p.b.-range mass accuracies and proteome-wide protein quantification，这篇文章主要是介绍Maxquant这款用于蛋白组定量分析软件的，很是有名，而其附录中做者提到了如何经过protein ratio来计算显著性（P值）

代码实现

了解了上述的Significance A/B的计算过程，那么咱们就能够用代码将其实现，下面我用R写了个函数来计算Significance A，而Significance B从上述可知，只要对protein分bin后再用Significance A计算便可（这里不重复展现了），输入为ratio向量

get_significance <- function(ratio){ ratio <- log2(as.numeric(ratio)) order_ratio <- ratio[order(ratio)] quantiletmp <- quantile(order_ratio, c(0.1587,0.5,0.8413)) rl <- as.numeric(quantiletmp[1]) #对应公式中的r-1 rm <- as.numeric(quantiletmp[2]) #对应公式中的r0 rh <- as.numeric(quantiletmp[3]) #对应公式中的r1 p <- unlist(lapply(ratio, function(x){ if (x > rm){ z <- (x-rm)/(rh-rm) pnorm(z,lower.tail = F) }else{ z <- (rm-x)/(rm-rl) pnorm(z,lower.tail = F) } })) }

p <- get_significance(data)

http://www.bioinfo-scrounger.com