FDR（False Discovery Rate，假发现率）是一种用于评估统计显著性并控制错误发现概率的方法。在基因表达数据、蛋白质组学、医学研究等领域中，FDR常被用于筛选出真正显著的表达式或发现。
FDR的计算涉及到多个步骤，主要包括：
- 假设检验：首先，根据研究目的，对每个基因或特征设定一个原假设（例如，基因表达不存在显著差异）和一个备择假设（例如，基因表达存在显著差异）。然后，通过统计检验（如t检验、ANOVA等）来评估原假设是否成立。
- 计算p值：对于每个基因或特征，基于样本数据计算出一个p值。p值表示在原假设为真的情况下，观察到当前数据或更极端数据的概率。通常，p值越小，说明观察到的差异越显著。
- 设定FDR阈值：研究者通常会设定一个FDR阈值（如0.05、0.01等），用于判断p值是否足够小，以便拒绝原假设。如果p值小于或等于FDR阈值，则认为该基因或特征是显著的。
- 计算FDR：FDR是指在所有被拒绝的原假设中，真正显著（即实际为真）的比例。计算FDR的方法有多种，其中一种常用的方法是基于控制错误发现率。具体地，可以通过调整p值阈值来控制FDR，使得在保持一定的假阳性率（即错误发现的概率）的***尽可能多地检测到真正的显著差异。
需要注意的是，FDR控制方法（如Benjamini-Hochberg流程）旨在提供一种系统的方式来调整p值阈值以控制FDR，同时保持假阳性率的可控性。这种方法在多重比较的情况下特别有用，因为它允许研究者根据先验信息或研究背景来调整每个比较的p值阈值。
***FDR是一种在统计显著性评估中广泛使用的方法，它帮助研究者控制错误发现率，并确定哪些基因或特征在研究中具有实际意义。
