在R中，p.adjust可计算FDR值。参考网址：https://stat.ethz.ch/R-manual/R-devel/library/stats/html/p.adjust.html
多重检验都得算q-value，即FDR值。原因如下：
参考我的博文：https://www.cnblogs.com/zypiner/p/11777829.html
P-value：
由以上可得知P-value的含义。拒绝零假设的概率、上图的末梢的面积、”GO过程在排序基因集L中富集“这一结论错误的概率。
通常，我们取P值的阀值为0.05。即：P值小于0.05的GO过程都认为在排序基因集中是富集的。
那么，既然错误率是0.05，也就是说：检测100次，有5次是出错的。如果检测1万次，有500次是出错的。也就是说，当检测次数很多时，出错的情况就会多。结合GSEA：GSEA给出的GO过程（P值小于0.01）中，100个GO过程中有5个是出错的。即：100个GO过程中，有5个GO过程在两种phenotype中是不富集的。10000个GO过程中，有500个是不富集的。当GSEA给出富集的GO过程很多时，假阳性的GO过程就很多。
这就是multiple testing problem多重检验的问题。FDR是控制false positie的方法。
参考资料：https://www.statisticshowto.datasciencecentral.com/false-discovery-rate/
“
The FDR approach adjusts the p-value for a series of tests. A p-value gives you the probability of a false positive on a single test; If you’re running a large number of tests from small samples (which are common in fields like genomics and protoemics), you should use q-values instead.
- A p-value of 5% means that 5% of all tests will result in false positives.
- A q-value of 5% means that 5% of significant results will be false positives.
The procedure to control the FDR, using q-values, is called the Benjamini-Hochberg procedure, named after Benjamini and Hochberg (1995), who first described it.
”
FDR调整p-value。p-value给出的是单次检验的false positive率（the probability of a false positive）。如果你对小样本量的数据进行大量的检验，你得用q-value。
比如：call snv时，每个snv有一个p-value值（这一个snv表示a single test），表示这个snv的假阳性率。如果你对一个样本，call了10000个snv（这表示all tests,multiple tests），那么根据p-value=0.05的阀值（10000次检验中，有500此出错），那么这10000个snv中可能有500个是假阳性（即不是snv，却被call出来了）的。此时，需要用q-value。
比如：GSEA将基因集注释到GO过程中时，对每个GO过程有一个p-value来衡量注释到此GO过程出错的概率（假阳性率）；GSEA注释到200个GO过程中，那么这200个GO过程可能有10个是错误的。此时，需要用q-value。
问题：
既然如此，为何不直接把p-value的阀值定的很低，这样出错的概率（false positive率）就低了呀？即：提高筛选阳性率的阀值，将该阀值定的很严格，那么我得到的结果的准确率就高。
原因：false positive率低了，false negative率就高了。本来不是阴性的数据，被认为阴性了。即：本来是阳性结果，没检测出来，被认为是阴性了。所以，不能用把p-value阀值定的很低的方法。
什么情况下适合false positive率（假阳性率）高，false negative率低的情况呢？比如：开发治疗艾滋病的疫苗，高的假阳性的数目可能，一些假阳性的疫苗也可能是有效的、未来也可能变成疫苗。可是，如果你过于减少假阳性数目，你会错过很多可能有效的疫苗。