絶対に修正を適用したい。重要なアイデアは、偶然に重要性を特定することです。比較の数を増やすと、偶然に有意になるものの数が増えます。

たとえば、有意水準0.05を使用して100回の比較を行う一般的な例を見てみましょう。ここで、0.05のp値は、帰無仮説が真の場合にその結果を得る可能性が5％あることを意味します。したがって、これらの100の比較を行うと、偶然に重要な5つの遺伝子が見つかると予想されます。

そのため、これらの誤検知（タイプ1エラー）を回避するために）p値を「修正」することで、テストをより保守的にします。

修正の選択もさまざまです。ボンフェローニは一般的な修正ですが、数千の遺伝子がある場合、非常に保守的であるため、重要なものが見つかる可能性は非常に低くなります。その場合、「FDR」（偽発見率）補正を使用できます。絶対的な答えはないので、可能性を探り、最良の選択をし、もちろんどの修正を適用したかを報告する必要があります。

編集

以下のコメントについて、例として概念の実証に役立ちます。

Rを使用して、2つの処理（AとB）で250個の遺伝子の完全にランダムな値を生成します。

  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）） 

次に、データを遺伝子ごとに分割し、2つのグループを比較するt.testを実行します。

  out <- do.call（ "rbind"、lapply（split（df、df $ gene）、function（x）t.test（expression〜treatment、x）$ p.value）） 

これが完全にランダムなデータであることを考えると、大きな違いはないはずですが、 9つの重要な遺伝子がいくつあるかを数えると!!!

  length（which（out < 0.05））[1] 9  

このような間違いを避けることが、これらの修正を行う背後にあるポイントです。うまくいけば、これはあなたのために明確にするのに役立ちます。

あなたは、遺伝子が互いに比較されていないため、比較が行われていないと言います。ただし、各t検定はまだ比較です。実際、それがt検定です。2つの平均の比較です。あなたの場合、それぞれの比較は、遺伝子Aと遺伝子Bの間ではなく、健康なグループと不健康なグループの間で行われますが、それでも比較です。

この混乱は、同義語の「多重検定」を「多重比較」に置き換えることで回避できます。