我的数据集由基因组成，每个基因由一个表达值向量描述，用于“健康”个体，用于“不健康”个体。
我将运行 t 检验（每个基因一个）来确定哪些基因在健康人群和不健康人群之间表现出不同的行为。
p 值进行校正（例如 Bonferroni、Holm、Benjamini 和 Hochberg...） ？
编辑：
我想知道我的案例是否是多重比较问题。
实际上，我不比较基因，而只比较每个基因的两个不同群体（健康与不健康）的值。因此，我没有看到多重比较。
换句话说，我有兴趣找到那些在健康样本和不健康样本之间表现不同的基因。我对发现两个基因的行为是否相同不感兴趣。
显然，运行 t 检验后，我得到的 p 值低于比计算校正后要多得多。
您绝对确实想要进行更正。关键思想是通过机会识别重要性。随着您增加比较的数量，您会增加那些偶然重要的比较的数量。
例如，让我们以使用 0.05 的显着性阈值进行 100 次比较的通用示例为例。现在，0.05 的 p 值意味着当原假设为真时，有 5% 的机会获得该结果。因此，如果您进行这 100 次比较，您会期望随机发现 5 个显着基因。
因此，为了避免产生这些误报（类型 1 错误），我们“纠正”了 p 值，从而使测试更加保守。
校正的选择也可能有所不同。Bonferroni 是一种常见的校正方法，但如果您有 1000 多个基因，那么您将极不可能发现任何重要的东西，因为它会非常保守。在这种情况下，您可以使用“FDR”（错误发现率）校正。没有绝对的答案，因此您需要探索可能性并做出最佳选择，当然还要报告您应用了哪些更正。
编辑
关于你下面的评论，我认为一个例子可以帮助展示这个概念。
使用 R，我通过两种处理（A 和 B）为 250 个基因生成完全随机的值
set.seed(8)
df <- data.frame(expression=runif(1000),
gene=rep(paste("gene", seq(250)), 4),
treatment = rep(c("A","A","B","B"), each=250))
然后，我按每个基因拆分数据，并在两组之间进行 t.test 比较。
out <- do.call("rbind",
lapply(split(df, df$gene), function(x) t.test(expression~treatment, x)$p.value))
现在，鉴于这是完全随机的数据，不应该有任何显着差异，但是当我计算有多少有9 个显着基因时！！！
length(which(out < 0.05))
[1] 9
避免此类错误是进行这些更正的重点。希望这有助于为您澄清。
你说没有进行比较，因为基因没有相互比较。但是，每个 t 检验仍然是一个比较。事实上，这就是 t 检验——两种均值的比较。在您的情况下，每次比较都是在健康组和不健康组之间，而不是在基因 A 和基因 B 之间，但它仍然是一个比较。
这种混淆可以通过用同义词“多重测试”代替“多重比较”来避免。