因为课题组氛围更偏社会一些，不太纯粹，所以我们的组会讨论几乎是与老板的汇报一般，很少能够讨论，几乎为0。每一个同学汇报完，也不会有意见。
当然，如果有同学提出了某个问题（几乎是新生，还没有感受到组内压抑的氛围，羡慕啊~），而这个问题恰好，我能给予一些帮助，我就会主动回答一下。
问题是，矫正P值之后，得到显著的结果少了很多。
回答内容：
我先说是怎么做的吧，仅仅作为参考。
过度矫正P值，原因往往是你矫正的时候除的分母太大了，也就是对象太多了（检验次数太多了）。
所以，避免的方法也就是降低分母。
举一个例子，某GWAS课题目的是为了找与某个疾病相关的SNP。但是一步法直接得到的SNP太多，一矫正之后，可能没有多少了。
所以往往分为两步。第一步，找到与疾病有关的SNP（统计检验了，但是不矫正）。第二步，在第一步找到的结果中（相比最初少了好几个数量级），量化后再做一次统计检验和矫正。
GWAS的对象是SNP，在宏基因组里面的对象是基因。
比如某课题是A病与微生物的关系。
微生物的基因预测数量级在百万到千万级别，分母很大。所以参考GWAS，分为两步走。
第一步，找到与疾病有关了的基因。（不矫正）
第二步，用第一步list中找到的基因，重新量化后，统计检验进行矫正。
要注意的是，两步法是将样本分为两部分，两部分彼此独立。
简单的说就是第一步为了降低研究对象的维数，避免过度矫正。第二步，在第一步的基础上进行统计，并矫正。
你可以搜索two-stage genome-wide association studies，因为很久之前就有了，我只接触过GWAS并没有深入研究过。
宏基因组的话，可以参考第一个类比GWAS的方法的文章https://www.nature.com/articles/nature11450#Sec12
你可以参考一下，目的就是先降低维数。
- 如果这里只为了看通路。这里基因可以不做检验，将每个样本的所有基因直接比对到KEGG，得到10个样本各个KO通路的profile之后，再对KO做上面的检验。
- 基因应该还是最重要的落脚点。所以，按照课题的预期，可以想办法先过滤一部分与课题目的无关的基因。（后续正常操作）