实验设计中，一般会做三个生物学重复来确保结果的准确性，尤其在下游分析中。但有时会遇到没有生物学重复，而又需要进行差异分析的情况，这时一般建议考虑foldchange即可，因为根本无法进行T-test等统计学方法嘛。但是如果必须要算一个P值（个人觉得没啥必要。。。），那么不同组学有各自处理的方法（虽然并不是靠谱），比如NGS的转录组的一些软件会预估一个离散度做校正，而质谱的蛋白组则是用Significance A/B算法，这篇文章主要讲下Significance A/B是怎么来的

一般在网上搜Significance A/B是很难搜到相关信息的，因为这个是特定用于蛋白组学的一种统计学方法，而且现在来说用的也比较少了；那当初为何提出这分析方法，个人觉得可能是因为那时蛋白组学成本过高。以前一直只知道有这一分析方法，但是不知其原理，最近在搜索中无意发现一个帖子What statistical methods for ITRAQ with two biological replication?，其中提到一篇文章中有对Significance A/B的介绍

Significance A/B最先是发表于2008年Nature Biotechnology期刊上，MaxQuant enables high peptide identification rates, individualized p.p.b.-range mass accuracies and proteome-wide protein quantification，这篇文章主要是介绍Maxquant这款用于蛋白组定量分析软件的，非常有名，而其附录中作者提到了如何通过protein ratio来计算显著性（P值）

代码实现

了解了上述的Significance A/B的计算过程，那么我们就可以用代码将其实现，下面我用R写了个函数来计算Significance A，而Significance B从上述可知，只要对protein分bin后再用Significance A计算即可（这里不重复展示了），输入为ratio向量

get_significance <- function(ratio){
  ratio <- log2(as.numeric(ratio))
  order_ratio <- ratio[order(ratio)]
  quantiletmp <- quantile(order_ratio, c(0.1587,0.5,0.8413))
  rl <- as.numeric(quantiletmp[1])      #对应公式中的r-1
  rm <- as.numeric(quantiletmp[2])      #对应公式中的r0
  rh <- as.numeric(quantiletmp[3])      #对应公式中的r1
  p <- unlist(lapply(ratio, function(x){
    if (x > rm){
      z <- (x-rm)/(rh-rm)
      pnorm(z,lower.tail = F)
    }else{
      z <- (rm-x)/(rm-rl)
      pnorm(z,lower.tail = F)
    }
  }))
}

p <- get_significance(data)

http://www.bioinfo-scrounger.com

Significance A and B for protein ratios