-
假阴性错误（false-negative errors）: 高水平的基因可能偶尔没有检测到
-
假阳性错误（false-positive errors）: 低水平表达的基因由于扩增偏差，可能显得过于丰富，导致假阳性错误
-
错误发现率(False Discovery Rate,FDR)：事先犯I-型错误的最大概率，控制FDR值来决定p值的值域，FDR用比较温和的方法对p值进行了校正。其试图在假阳性和假阴性间达到平衡，将假/真阳性比例控制到一定范围之内https://www.omicsclass.com/article/28
-
P and q values in RNA Seq
The q-value is an adjusted p-value, taking in to account the false discovery rate (FDR). Applying a FDR becomes necessary when we’re measuring thousands of variables (e.g. gene expression levels) from a small sample set (e.g. a couple of individuals). A p-value of 0.05 implies that we are willing to accept that 5% of all tests will be false positives. An FDR-adjusted p-value (aka a q-value) of 0.05 implies that we are willing to accept that 5% of the tests found to be statistically significant (e.g. by p-value) will be false positives. Such an adjustment is necessary when we’re making multiple tests on the same sample
一、P值和q值的定义
P值（P-value）
即概率，反应某一事件发生的可能性大小。统计学根据显著性检验方法得到的P值，通常以P＜0.05为显著，P＜0.01为极显著，其含义为：抽样误差导致的样本间的差异的概率小于0.05或0.01。
根据定义，P值可简单理解为判断结果的“出错率（即假阳性比率，假阳性：不是样本本身有差异，是其他原因（比如抽样）导致的检测结果有差异）”。
q值
q值（q-value）是p值校正后的结果。可定义为：多重假设检验过程中，错误拒绝（拒绝真的原假设（零假设））的个数占所有拒绝的原假设个数的比例的期望值（也是代表出错率）。
总结： p-value和q-value是统计学检验变量，衡量“假阳性概率”，应用到基因检测结果中，可衡量“某个基因差异表达的假阳性概率”，代表差异显著性，小于0.05代表结果有差异。
如果p-value或q-value/越低，那么“该基因差异结果”是假阳性的概率就越低，可靠性就越高。
q-value相比于p-value更加严格，当差异基因结果较少时，可退而求其次根据p-value筛选。
当然，用q值筛选可能会过滤掉少部分真的有差异的基因，所以，q值是个双刃剑。但，相比绝大部分基因的假阳性，以及真阳性被滤掉的小概率，这部分的真阳性的丢失也不是很重要了。
https://zhuanlan.zhihu.com/p/59731307
二、 为什么差异结果可能存在假阳性？
举个例子，如下：
一个胖子一个瘦子，哪个更重？如果让普通人做判断：“这不废话吗，当然是胖子重了。”但，如果让一个严谨的统计学专家做判断，他会说，“这必须要有证据来做判断”。于是，统计学家拿来一个电子秤，把胖瘦两人各称了一遍。结果是：50kg vs 90kg。
但，专家还是不放心：“虽然从检测结果来看两者有差异，但这个可能是真实差异，也可能是我看走眼、电子秤不稳定… …”。总之，必须要把误差因素考虑上才可以。
于是，接下来就是多次测量求平均值、t检验，非把犯错的概率P value 算出来才放心。“90.3 > 50.0，P<1.0E-10，”这个结果的含义是：胖子重，而且我看走眼的概率是十亿份之一（假阳性的概率是1.0E-10）”。
在任何一个严谨的科学测量中，判断两个数值是否有差异，必须要考虑这个差异可能来源两个方面：可能是真实的差异，也可能来自检测误差。
一般的显著检验的目的，就是计算出观测到的差异来源于随机误差的概率，这样才能评判“结论是否可靠”。例如，通常说的P value（E value是blast中一种特殊的p value）小于1%，代表“做出的判断（胖子比瘦子重）是错误的概率是1%（即假阳性率，False positiverate）”。虽然可能犯错，但犯错是小概率事件，我们就忍了吧，于是接受了这个判断。（类似，上街都可能遭遇车祸，因为是小概率事件，所以，我们也就忍了……）。
三、为什么要进行校正？
但是，在很多科学实验中，我们要做多次判断。例如，我们要判断两组样本的10000个基因的表达量是否存在组间差异：基因A是否有差异？基因B是否有差异？基因C是否有差异？….. ，如此下去，我们要进行10000次判断。如果以p value=1% (假阳性的概率是1%)作为阈值，并假设每次判断都是彼此独立的，那么即使这10000个基因实际上都没差异，也可能得出有100个差异基因的结论（100=10000*1%，阳性结果的错误率（FDR值）为100%，下文会讲到）。
也就是说，一个小效率事件在多次反复尝试后，变成了一个多次出现的事件。也就是俗话说的，“常在河边走，哪有不湿鞋”。举个极端的例子，虽然扎针患艾滋病的概率很低，但是，普通人去医院检查偶尔扎针，和经常注射吸毒人相比，哪个感染艾滋病的概率更高？
假如10000个基因中有100个基因是真正有差异的，在 p value=1%的阈值下，可能会得出199个基因有差异的结论（为什么是199个？真正有差异的100个基因 + 错误判断得出的99个假阳性基因。阳性结果的错误率，即FDR值约为50%(=99/199)。
此结果表明，在进行多次检验后（即多重检验，multiple test），基于单次比较的检验标准变得过于宽松，使得阳性结果中的错误率（FDR值）已经大到令人不可忍受的地步。
那怎么办？提高判断的标准（qvalue），单次判断的犯错概率就会下降，那么总体犯错的概率也将下降（类似，在多次相亲中，你可通过提高标准来减少看走眼的概率）。在多重检验中提高判断标准的方法，就是统计学里经常提到的“多重检验校正”。
四、 矫正方法
-
最简单严厉的方法要属Bonferroni校正。
举例：判断10000个基因是否有差异时，单次比较判断的出错率p value=1 %，判断10000次，犯错的次数就是100次，将p value进行校正，提高其阈值，怎样提高？1% / 100000 = 10-6（10的负6次方）。即，用原来的P值除以比较的次数，1万个基因要比较1万次，就用1% 除以10000，整体假阳性次数被控制在0.01次（1×10-6✖️10000次），最终使得预期犯错误的次数不到1次，抹杀了一切假阳性的概率。
Perfect，滴水不漏，管控够严了。但有一个问题，标准定太高了，导致最后找不到显著表达的蛋白，如果一些基因真的存在表达差异，也很有可能达不到我们的阈值标准，被误判为没有差异，这就是假阴性率提高了（类似如果相亲标准定太高了，也可能会导致我们错失本来合适的另一半）。
其他参考资料：https://wenku.baidu.com/view/c0008226a58da0116d17492e.html
-
于是，各路统计学的大侠设计了各种折中的方案。
目前在RNA-seq结果分析中，应用最广泛的是Benjamini andHochberg在1995年第一次提出的FDR(FalseDiscoveryRate)的概念以及相应的多重检验校正方法（这个非参数的方法简单、粗暴、实用，谷歌学术显示此文章被引用了21670次，神一般的文章）。
其出发点就是基于Bonferroni的保守性，给出了控制FDR的方法（这是FDR控制方法的祖师爷了），努力在假阳性和假阴性间达到平衡。FDR本质是一种控制阳性结果中的假阳性率的思路，其将假/真阳性比例控制到一定范围之内。
举例：判断10000个基因是否有差异，设定的阈值为FDR值＜5%，意味着：无论得到多少个差异蛋白，这些差异蛋白中出现假阳性的概率保持在5%之内，这就叫FDR＜5%。
那么，怎么从p value 来估算FDR？
举例：Benjamini andHochberg对p值进行多重检验校正的过程实际上非常简单，总结起来就2句话，如下：
1. 当同一个数据集有n次（n>=2）假设检验时，要做多重假设检验(multipletesting)校正，改进其对假阳性估计的保守性。
2. BH校正是对每个p-value做校正，转换为q-value。q=p*n/rank，其中rank是指p-value从小到大排序后的次序。（Bonferroni校正，是简单地将p-value的cutoff除以n，然后整体都采用这个标准，没有针对每一次比较的p值进行区分对待。）
举个具体的实例：
检测了M个基因在A,B,C,D,E一共5个时间点的表达量，求其中的差异基因，具体做法：
（1）首先做ANOVA，确定这M个基因中有哪些基因至少出现过差异
（2）5个时间点之间两两比较，一共比较5*4/2=10次，则多重假设检验的比较次数n=10
（3）每个基因做完10次假设检验后都有10个p-value，对这10个p值进行校正，得到q-value
（4）根据q-value判断在哪两组之间存在差异
