TOP结果由自信效应大小。Topconfects是一个R包，用于RNA-seq或微阵列差异表达分析和类似的东西，我们感兴趣的是对来自少数样本的许多效应大小(每个基因一个)设置置信度边界，并根据这些置信度效应大小对基因进行排序。
Topconfects在此基础上构建治疗由limma和edgeR包提供的p值，或由DESeq2提供的“greaterAbs”测试p值。它尝试了一系列的折叠变化，并在保持给定的FDR的同时，利用这一结果根据效应大小对基因进行排名。这也产生了折叠变化的置信边界，调整了多次测试。
避免使用p值作为效应大小的代理的原则性方法。1e-6和1e-9的p值之间的差异在显著性方面没有实际意义，然而微小的p值经常被用作效应大小的代理。这是一种误用，因为它们可能只是反映了更高质量的证据(例如RNA-seq平均读取计数或微阵列平均斑点强度)。在保持合理的显著性水平的同时，最好拒绝更广泛的假设集。
不需要猜测最好的折叠变化截止。TREAT要求指定折叠变化截止。相反，Topconfects要求您指定适合您的目的的错误发现率。然后，你可以根据自己的意愿，把得到的基因排序列表读下去。您使用的最后一行中给出的“confect”值是TREAT在给定FDR处生成该组基因所需的折叠变化截止值。
该方法描述如下:
使用limma_confects，edger_confects,或deseq2_confects作为limma、edgeR或DESeq2分析的备选最后一步。limma法目前比其他方法快得多。
例如，参见小插图“自信的折叠变化”。
如果你有某种类型的效应大小的集合，有相关的标准误差，可能有相关的自由度，使用normal_confects。假设误差为正态分布，如果自由度给定，则为t分布。
这是limma的TREAT方法的重新实现，然后将该方法提供给nest_confects(描述)。(或者，如果效应大小都是正的，也可以选择使用单侧t检验作为基础假设检验。)
的核心算法topconfects是在函数中实现的吗nest_confects。你可以提供任何函数，它可以计算无效假设的p值，即效应大小不超过指定的数量。对n个项目执行测试，函数应该能够对这n个项目中的一个子集和给定的数量执行此计算。
使用confects_plot绘制顶部基因的自信效应大小。估计的效应大小(如对数折变化)用一个点表示，而置信界限用一条线表示。
使用confects_plot_me以获得全球概览。与MD或MA图类似，x轴是平均表达式。y轴是效应量。估计的效应大小用灰色表示，可信效应大小用黑色表示(即具有非na可信效应大小的基因用灰色和黑点表示)。
使用rank_rank_plot比较两个排名。
例如，参见小插图“自信的折叠变化”。