生物学背景

随着时间的推移，一些植物物种倾向于复制它们的整个基因组，从而获得每个基因的额外拷贝。由于这种设置的不稳定性，这些基因中的许多随后被删除，基因组重新排列并稳定下来，准备再次复制。这些复制事件与物种形成和入侵事件有关，理论认为复制有助于植物更快地适应新环境。

羽扇豆属开花植物，以有史以来最快的物种形成事件之一入侵安第斯山脉，更重要的是，它的基因组中的重复拷贝似乎比最密切相关的属 Baptisia 还要多。

现在是数学问题：

羽扇豆属成员和巴蒂西亚属成员的基因组已被测序，提供了每个物种约 25,000 个基因的原始数据。通过查询已知功能的基因数据库，我现在对基因可能执行的功能有了“最佳猜测”——例如，Gene1298 可能与“果糖代谢、盐胁迫反应、冷胁迫反应”有关。我想知道，如果 Baptisia 和 Lupinus 之间发生了重复事件，基因丢失是否随机发生，或者执行特定功能的基因是否更有可能被保留或删除。

我有一个脚本，它将输出如下所示的表格。L * 是与功能相关的所有羽扇豆基因的计数。L 1+ 是与存在至少一个重复拷贝的功能相关的羽扇豆基因的计数。我可以让它产生 L 2+、L 3+ 等，尽管由于排序过程，L 1+ 比 L 2+ 可靠得多。

Function            | L *  | L 1+ | B *  | B 1+ |
fructose metabolism | 1000 | 994  | 1290 | 876  |
salt stress         | 56   | 45   | 90   | 54   |
etc.

我想做的是测试，对于每个基因功能，在羽扇豆和巴蒂西亚中，是否有更多或更少的重复基因比纯粹偶然预期的要多，以及羽扇豆在观察到的比例上是否与巴蒂丝不同。

迄今为止我拥有的最好的东西

以前对不同物种的研究使用富集分析、Fisher 精确检验和多次抽样的 FDR 校正，对每一行进行应急测试。

对此进行改进会很好；我不确定这听起来是不是最好的方法。

Glen_b 建议使用 GLM 来分析数据；我在 JMP8 中玩过 GLM，这很有趣，但我承认我并没有真正理解它们。

也就是说，我现在正在尝试使用 R。

我用这个做什么？

这原本应该是我在大学里做的一个短期研究项目的一部分，但现在已经发展成为一个巨大的基因组注释项目。为什么？因为生物信息学很酷。能够获取一串 A、T、C 和 G 并用它来推断数百万年前发生的事件的信息是惊人的。

不用说，我不会尝试提交任何友好提供的答案作为我自己的工作。如果我在提交的作品中使用此处建议的方法，我很乐意在论文中包含一个致谢。