第四章 Bonferroni 校正：原理、适用场景、优缺点
多重假设检验的麻烦，我估计做 RNA-seq 的人都深有体会。几千个基因同时做差异表达检验，随便一筛就能冒出几百个“显著”基因，可到底有多少是真的？
Bonferroni 校正，就是最早、最经典、也最让人又爱又恨的一刀切办法。它的逻辑很简单：你想把整体假阳性率（FWER）控制在 0.05，那就把每个检验的阈值除以检验次数。
4.1 原理：到底在调整什么？
咱们不绕弯子，直接说公式：
p_corrected = p_raw × N
如果 p_corrected < 0.05，则拒绝 H₀其中 N 是总检验数，或者说比较次数。更严格的说法是 Bonferroni 不等式：
P(至少一个假阳性) ≤ N × α
所以设定每个检验的显著性水平为 α / N举个例子：你做了 10000 个基因的差异检验，原始 p 值 0.000005，那校正后就是 0.05。恰好卡在 0.05 线上，正好显著。如果原始 p 是 0.001，校正后变成 10 —— 远远超过 1，根本不可能显著。
说白了，就是把门槛提到极高，宁可错杀一千，也不放过一个假阳性。
4.2 适用场景：什么时候该用它？
我自己的经验是，Bonferroni 只适合两种情况：
- 目标检验数极少，且要求零容忍假阳性。比如只验证 3～5 个候选基因的 qPCR 数据，或者做染色体层面的 CNV 断点验证。
- 作为保守的下界参考。有时候我会在报告里同时列出 Bonferroni 和 FDR 校正的结果，用来展示“最严格情况是什么样”。
但它在 RNA-seq 全转录组分析里基本是灾难。为什么？
4.3 优缺点：这把刀的双刃
| 优点 | 缺点 |
|---|---|
| 控制 FWER 非常严格，没有任何松动 | 极度保守，容易漏掉真实差异 |
| 计算方法简单，手工也能算 | 假定所有检验相互独立——实际基因表达高度相关 |
| 对任何分布都成立，无需统计假设 | 当 N 很大时，几乎没有基因能通过 |
| 适合少量先验假设的验证 | 无法给出排名，只有 0/1 判断 |
我曾经接手一个项目，合作方坚持用 Bonferroni 校正筛选差异基因，结果 20000 个基因只出来 2 个。后来我换用 BH 方法，发现了 87 个，再通过 RT-qPCR 验证了其中 11 个，全部得到确认。所以 Bonferroni 的“保守”有时候是虚假的严谨——它只是把假阴性堆得很高。
4.4 在 R 中实现与误区
R 里实现很简单：
# 原始 p 值向量，假设有 20000 个
p_raw <- runif(20000, min=0, max=1)
# Bonferroni 校正
p_bonf <- p.adjust(p_raw, method = "bonferroni")
# 看看显著基因数量
sum(p_bonf < 0.05)
# 等价手动计算
p_bonf_manual <- pmin(p_raw * length(p_raw), 1)注意 pmin 的使用：校正后的 p 值不能超过 1，因为概率不可能大于 1。有些老代码忘了加这一步，结果出现大于 1 的“p 值”，那就不对了。
4.5 知识结构总览
4.6 什么时候该果断说“不”
我个人的原则很简单：
- 如果你的分析涉及上千次检验，别用 Bonferroni。
- 如果你的目标是从无假设中找到新基因，别用 Bonferroni。
- 如果你的样本量小、组间差异弱，更别碰它——结果会让你怀疑人生。
但反过来，当你被审稿人要求“请严格控制多重比较的假阳性率”时，拿出 Bonferroni 校正的结果作为最坏情况的参照，倒是一个很有效的答辩策略。有点像是：告诉对方“看，即使我用最极端的方法，这些基因还是显著的”。