使用 Corone 提倡的多重测试校正是可以的，但它会花费你大量的力量，因为你的 p 值通常会很好地相关，即使使用 Hommel 校正也是如此。

有一种解决方案对计算要求很高，但在功率方面会做得更好。如果是你的 p 值，让。考虑一下是您的新检验统计量：它越小，它就越反对零假设。$p_1, p_2, \dots, p_n$$p^* = \min (p_1, \dots, p_n)$$p^*$

您需要为的观察值值（称为）。为此，您可以在零假设下模拟 100 000 个数据集，并为每个这样的数据集计算一个。这为您提供了零假设下您的值是的模拟值的比例。$p$$p^*$$p^*_{obs}$$p^*$$p^*$$p$$<p^*_{obs}$

你如何模拟零假设下的数据集？在你的情况下，如果我猜得好的话，你有案例和对照，以及 RNS-seq 数据来估计表达水平。为了模拟空值下的数据集，习惯上只是简单地随机排列病例/对照状态。

这种事情通常会被多重假设检验所涵盖，尽管它不是很典型的情况。

您正确地指出这与元分析不同，因为您将相同的数据用于多个测试，但多重假设测试仍然涵盖了这种情况。这里有点奇怪的是，您多次测试的假设几乎是同一个假设，然后您想要作为所有这些假设的交集的全局零假设 - 也许值得想知道为什么您觉得有必要这样做，但可能有正当理由。

如果您在进行一组更易于分析的测试，您可能会沿着联合交叉口测试路线走下去，但我认为这不会让您有任何收获，因此我建议您使用开箱即用的多重性校正。

我建议你先看看维基百科对这个主题的看法，但尽量不要陷入困境： http ://en.wikipedia.org/wiki/Multiple_comparisons

所以，你需要使用多重校正，并排除联合交集，大致你的选择如下

• Bonferonni - 由 Holm-Bonferroni 严格控制，仅历史兴趣
• Holm-Bonferroni - 对你有用，但会消耗你的力量（在你的情况下可能很多）
• Sidak - 比 BH 更强大，但你不能使用它，因为你的 p 值是相关的
• Hommel - 比 BH 更强大，你应该没问题，因为你的 p 值无疑是正相关的

您最大的问题是您很可能在不同的测试中得到非常相似的 p 值。霍默尔不应该为此惩罚你太多。

例如，您可以使用调整 R 中的 p 值p.adjust

p = c(0.03, 0.034, 0.041)
p.adjust(p, method = "bonferroni")
p.adjust(p, method = "holm")
p.adjust(p, method = "hommel")

> p.adjust(p, method = "bonferroni")
[1] 0.090 0.102 0.123
> p.adjust(p, method = "holm")
[1] 0.09 0.09 0.09
> p.adjust(p, method = "hommel")
[1] 0.041 0.041 0.041

这些方法都控制Family-wise Error Rate，这意味着如果您根据每个 p 值通过阈值依次测试每个 p 值，那么 1 个或多个错误的概率仍然控制在。这意味着如果您拒绝一个或多个子假设，您可以拒绝全局假设，并且您的测试大小仍然控制在。$\alpha$$\alpha$

正如我一开始所暗示的那样，这不会是你能做的最强大的攻击，但任何更复杂的攻击都需要更多的工作。

为什么这控制$\alpha$

全局零假设是所有子零假设都为真。

如果 null 被拒绝，则让单个测试的结果为，取值为 1，否则为 0。$X_i$

由于无疑是正相关的，我们可以使用 Hommel 来控制 FWER。$X_i$

这种控制意味着一个或多个测试错误拒绝的概率被控制在$\alpha$

因此， $P(\sum(X_i) > 0) \le \alpha$

因此，如果拒绝一个或多个子假设而拒绝全局假设，则全局检验的大小为$\le \alpha$

如果您仍然感兴趣，我发现这篇论文似乎解决了在同一组 RNA-seq 数据上集成不同分析算法的问题：https ://www.ncbi.nlm.nih.gov/pmc/articles/ PMC4344485/。它基本上提出了所有 p 值的加权和，并且权重基于每个算法的 ROC。论文名称为：Systematic integration of RNA-Seq统计算法，用于准确检测差异基因表达模式。