DESeq2和EdgeR都可用于做基因差异表达分析，主要也是用于RNA-Seq数据，同样也可以处理类似的ChIP-Seq,shRNA以及质谱数据。
这两个都属于R包，其相同点在于都是对count data数据进行处理，都是基于负二项分布模型。因此会发现，用两者处理同一组数据，最后在相同阈值下筛选出的大部分基因都是一样的，但是有一部分不同应该是由于其估计离散度的不同方法所导致的。 ### DESeq2的使用方法：
输入矩阵数据，行名为sample，列名为gene；DESeq2不支持无生物学重复的数据，因此我选择了2个样本，3个生物学重复的数据；并对count data取整(经大神指点，这里需要说明下，我的测试数据readcount是RSEM定量的结果，并不是常见的htseq-count的结果，所以count值会有小数点，而DESeq2包不支持count数有小数点，所以这里需要round取整)。
database_all
database
type
database
设置分组信息以及构建dds对象
condition
coldata
dds
使用DESeq函数进行估计离散度，然后进行标准的差异表达分析，得到res对象结果
dds
res
最后设定阈值，筛选差异基因，导出数据
table(res$padj <0.05)
res
resdata
write.csv(resdata,file = "LC_1_vs_LC_2.csv")
EdgeR的使用方法：
跟DESeq2一样，EdgeR输入矩阵数据，行名为sample，列名为gene；DESeq2不支持无生物学重复的数据，因此我选择了2个样本，3个生物学重复的数据。
exprSet_all
exprSet
group_list
设置分组信息，去除低表达量的gene以及做TMM标准化
exprSet 1) >= 2,]
exprSet
exprSet
使用qCML(quantile-adjusted conditional maximum likelihood)估计离散度(只针对单因素实验设计)
exprSet
exprSet
寻找差异gene(这里的exactTest函数还是基于qCML并且只针对单因素实验设计)，然后按照阈值进行筛选即可
et
tTag
tTag
write.csv(tTag,file = "LC_1_vs_LC_2_edgeR.csv")
Summary
以上我主要针对单因素两两比较组进行差异分析，其实DESeq2和EdgeR两个R包都可以对多因素进行差异分析。
DESeq2修改以上代码的分组信息design参数以及在差异分析results函数中添加所选定的分组因素，其他代码基本一样，具体参照DESeq2手册
EdgeR则需要用Cox-Reid profile-adjusted likelihood (CR)方法来估算离散度，y
