在Seurat中，FindAllMarkers函数是用来寻找不同群体（通常是细胞群体）之间显著差异表达的基因。这个函数对于解析细胞类型和理解细胞状态变化非常有用。FindAllMarkers函数可以使用多种统计方法来测试表达差异，这些方法通过test.use参数来指定。以下是一些常用的test.use选项及其说明：
Wilcoxon Rank Sum test (
wilcox): 默认的测试方法。这是一种非参数测试，用于比较两个独立样本的差异。Wilcoxon测试不要求数据符合正态分布，适用于连续或有序的数据。在寻找差异表达基因时，它比较的是两个细胞群体中每个基因的表达水平。Likelihood-Ratio Test for Single Cell Gene Expression (
LR): 这种方法基于似然比测试，适用于计数数据。它通过比较两个模型（一个假设基因表达与细胞类型有关，另一个不假设）的拟合度来评估基因表达是否与细胞类型相关。t-test (
t): 另一种比较两个群体之间差异的方法，假设数据服从正态分布。t-test适用于比较样本量较小的两组数据。在单细胞数据分析中，尽管数据可能不完全满足正态分布的假设，但t-test仍然被广泛使用。MAST (
MAST): 专为单细胞RNA序列数据设计的框架，考虑了零膨胀（许多基因在许多细胞中不被表达的特点）和连续性（基因表达的变异性）的特点。MAST方法结合了线性混合模型来评估基因表达与细胞状态之间的关联。DESeq2 (
DESeq2): 通常用于RNA序列数据的差异表达分析，通过使用负二项分布模型来处理计数数据，适合处理有大小差异的样本。在Seurat中，虽然DESeq2主要设计用于批量RNA-Seq数据，但也可以用于单细胞数据的差异表达分析。negbinom (
negbinom): 负二项回归测试，适用于计数数据，特别是当数据显示出超离散性（变异数大于均值）时。这种方法通过对每个基因的表达量进行建模，来考察不同条件下的表达差异。
使用说明：
使用FindAllMarkers函数时，可以通过设置test.use参数来选择上述任一方法。选择哪种方法取决于数据的特性和研究问题。一般而言，非参数方法（如Wilcoxon测试）更加通用，而模型基础的方法（如DESeq2或MAST）可能在特定情况下提供更准确的结果。
示例：
markers <- FindAllMarkers(object = seurat_object, test.use = 'wilcox')
markers_LR <- FindAllMarkers(object = seurat_object, test.use = 'LR')
选择方法的依据：
- 如果数据分布未知或者偏离正态分布，优先考虑使用非参数测试（如
wilcox）。 - 如果数据为计数数据，并且希望考虑零膨胀或其他计数数据特有的分布特征，可以选择
MAST或DESeq2。 - 对于想要利用似然比来评估基因表达差异性的场景，可以选择
LR。 - 当数据表现出超离散性时，
negbinom测试可能是一个好的选择。
在实际应用中，不同的测试方法可能会得到略有不同的结果。研究者可以根据具体的研究背景和数据特性，选择最合适的方法，并可能需要对比多种方法的结果来做出最终决定。
