imma，edgeR，DESeq2三大包基本是做转录组差异分析的金标准，大多数转录组的文章都是用这三个R包进行差异分析。edgeR差异分析速度快，得到的基因数目比较多，假阳性高（实际不差异结果差异）。DESeq2差异分析速度慢，得到的基因数目比较少，假阴性高（实际差异结果不差异）。 需要注意的是制作分组信息的因子向量是，因子水平的前后顺序，在R的很多模型中，默认将因子向量的第一个水平看作对照组。Limma-voom强大在于三个方面：False discovery rate比较低（准确性），异常值影响小；假阳性控制不错；运算很快。
如果是芯片数据，一般选择limma，它是处理芯片数据之王。 不过edgeR也可以。芯片数据默认符合正态分布，而limma正是基于正态分布。甲基化数据就是芯片数据。
如果是二代测序的原始count值，一般选择DESeq或edgeR。注意这两者只能处理count，不能处理FPKM等矫正后的数据。二代测序数据符合柏松分布，理论上不能用T检验，只能用非参数检验（秩和），但是统计力度不够，所以还是得用经过矫正后的参数检验。
如果是FPKM等矫正后的表达量，可以用cuffdiff
Sum: 基于以上，对于二代测序数据，先拿到原始count值进行DESeq2差异分析，再转换成TPM进行下游分析。不建议用edgeR和cuffdiff。
