4. 统计学原理对比：精确检验 vs Wald检验 vs LRT

说到差异表达分析，统计检验方法的选择其实很关键。edgeR 和 DESeq2 虽然都做同样的活儿，但背后的统计学思路差异挺大的。我刚开始学这两套工具时，也搞混过它们的检验原理——后来在一个转录组项目中，因为选错了检验方法，差点让一批重要基因漏掉。今天就掰开揉碎，把三种检验方法给你讲透。

4.1 三种检验的家族关系

我们先看一张总览图，把三种方法的位置理清楚：

4.2 精确检验——edgeR 的看家本领

edgeR 默认用的是精确检验，全名叫「基于负二项分布的精确检验」。

它怎么工作的？

你先假设所有基因的表达量服从负二项分布。然后给定一个组间无差异的零假设（均值相等），精确检验会直接计算「观测到当前数据或更极端数据」的概率。这个概率就是 p 值。嗯，它不依赖大样本近似，也不需要估计标准误——说白了，就是对每个基因老老实实算一遍条件概率。

4.3 Wald 检验——DESeq2 的主力武器

DESeq2 默认用 Wald 检验。它的逻辑更接近传统的线性模型思路：先估计出每个基因的对数倍数变化（log2FC）和标准误，然后算「估计值偏离零假设多少倍标准误」，再拿这个比值去标准正态分布里找 p 值。

数学上其实很直白：

Wald = (β̂ - β₀) / SE(β̂)

β̂：估计的对数倍数变化
β₀：零假设下的值（通常是0）
SE：标准误

Wald 统计量近似服从标准正态分布。为什么说「近似」？因为它依赖大样本理论。样本量不够大时，标准误估计本身就不准，导致 Wald 检验有时会偏轻（拒绝太多）或偏重（拒绝太少）。

那为什么 DESeq2 还要用它？ 因为 Wald 检验灵活。你可以轻松把批次效应、连续协变量（如时间、剂量）加进模型，DESeq2 的公式接口设计就是为这个服务的。精准度稍差一点，但胜在适用范围广。

4.4 似然比检验（LRT）——比较嵌套模型

LRT 在 edgeR 和 DESeq2 里都可以用，但不是默认选项。它适合一个场景：你想比较「包含某个因素的完整模型」和「移除该因素的简化模型」。比如，问「加入处理条件这个变量后，模型拟合有没有显著改善？」

步骤其实很简单：

1. 对每个基因，拟合完整模型（包含待检验变量），得到最大似然值 L₁。
2. 拟合简化模型（去掉那个变量），得到最大似然值 L₀。
3. 计算偏差：D = -2 × ln(L₀ / L₁)，这个 D 近似服从卡方分布（自由度为去掉的参数个数）。
4. 根据卡方分布算出 p 值。

4.5 三大检验对比一览

特性	精确检验 (exactTest)	Wald 检验	似然比检验 (LRT)
默认归属	edgeR	DESeq2	两者均可
适用场景	两两比较，小样本	多因素模型，大样本	嵌套模型比较
对样本量的要求	不依赖大样本	需要足够样本量	中等
能否处理协变量	否	能	能
计算复杂度	低	低	中等（需拟合两个模型）
假阳性控制	偏保守	小样本时偏宽松	较平衡
R 函数示例	exactTest()	results() (DESeq2)	glmQLFTest() 或 nbinomLRT()

4.6 实际操作中的选择准则

讲了一大堆理论，你肯定想知道「那我到底该用哪个？」。我在不同项目里摸爬滚打几年后，总结了个简单的决策流程：

• 只有两个条件、样本量 ≤ 4 每组的 → 首选 edgeR 精确检验。别犹豫，直接上 exactTest。
• 有多个因素、样本量 ≥ 6 每组的 → DESeq2 Wald 检验更灵活，方便加入协变量。
• 想检验多个水平的共同效应（如时间序列、多剂量）→ 用 LRT，在 DESeq2 中设置 test="LRT"，在 edgeR 中用 glmQLFTest()。
• 对结果可靠性要求非常高、有点担心假阳性 → 同时跑两种方法，只看两者都显著的基因。我有个老项目就是靠这个双重验证找到核心标志物的。