问题，假设有两组ChIP-seq的数据A和B，我想知道它们之间是否相关。A组一共有50个数据，B组一共有60个数据，它们之间重叠的数据有30个，总计的binding位点如果是200个，那么如果它们相关的p-value如何计算呢？这个问题其实就是转变成抽到重叠数比30或者比30大的可能性是多大。所以我们需要计算抽到重叠数为29的可能性，然后用1减去它就可以了。
公式：p.value = phyper(p1.and.p2 -1, p2, totalTest-p2, p1, lower.tail = FALSE,log.p = FALSE)
> pval <- 1-phyper(30-1, 60, 200-60, 50) > pval [1] 2.555588e-07 > 1-phyper(30-1, 50, 200-50, 60) [1] 2.555588e-07 > phyper(29, 60, 200-60, 50, lower.tail=FALSE) [1] 2.555588e-07 > sum(sapply(30:50, dhyper, m=60, n=200-60, k=50)) [1] 2.555588e-07 |
解释：phyper函数返回一个概率，这个概率与lower.tail参数有关。当lower.tail的值为真时，phyper返回一个当抽取到的白球数小于等于q值的概率，当lower.tail值为假时，phyper返回一个当抽取到的白球数大于q值的概率。phyper的返回值是一个累积的概率值。
lower.tail logical; if TRUE (default), probabilities are P[X ≤ x], otherwise, P[X > x].
函数dhyper返回当抽取到的白球数等q值的概率，所以计算从30至50的dhyper，然后加起来就一定等于phyper取lower.tail为假时的结果。
这里说的“A组一共有50个数据，B组一共有60个数据，它们之间重叠的数据有30个，总计的binding位点如果是200个”。对于这句描述我有些不解：
1）50个数据，指的是什么？是指50个peak吗？
2）200个binding site 指的是A和B的总和吗？如果A组和B组中的数据指的是peak，那不是只有50+60=110吗？
3）最终的分析，是想说明两个factor的co-binding具有显著性吗？或者说两套同一factor的ChIP-seq 的 结果重复性很好吗？
水平有限，请赐教。谢谢！
谢谢您的留言。依次回答您的问题如下：
1）是指50个peaks
2）200不是A和B的总和。是所有可能的binding位点。
3）是指两组数据A和B的binding sites相关显著，它们可能是co-binding，也可能是重复实验。这里的结果只表明，A和Bbind到了同一（或者相邻）位置的可能性显著。