用途：对基因组学中成千上万次同时检验产生的原始 p 值进行多重检验校正，控制假发现率（FDR）或族系错误率。适用于过滤差异表达结果、候选基因筛选、GWAS 显著性判断等场景。
主要能力与常用方法：
- Bonferroni：最保守，控制族系错误率，阈值为 alpha/n，适合小基因集与验证性研究。
- Benjamini-Hochberg FDR：基因组学中最常用，FDR 0.05 表示显著结果中约 5% 为假阳性。
- q-value：面向全基因组规模，先估计 p 值分布中真实零假设比例 pi0，再把每个 p 值转换为 q 值，即该基因被判为显著时的最小 FDR；当真阳性较多时比 BH 更有检测功效。
必要用法（保持原样）： R：p.adjust(pvalues, method = 'BH')、p.adjust(pvalues, method = 'bonferroni')；qvalue::qvalue(pvalues)，返回 qvalues 与 pi0。 Python：from statsmodels.stats.multitest import multipletests；multipletests(pvalues, method='fdr_bh')、multipletests(pvalues, method='bonferroni')。
方法选择指引：全基因组差异表达用 BH 或 q-value，FDR < 0.05；候选基因用 Bonferroni，p < 0.05/n；探索性分析用 BH，FDR < 0.10；验证研究用 Bonferroni，p < 0.05/n；GWAS 用 Bonferroni，p < 5e-8。
结果解读：FDR 0.05 意味着被判定显著的基因中约 5% 是假阳性；FDR 0.01 更严格，假阳性更少但假阴性更多。padj 与 qvalue 都估计 FDR，q-value 略更具功效。
限制与提示：示例基于 R stats（base）与 statsmodels 0.14+，使用前需确认版本；可用 Python 的 pip show <package>、help(module.function) 及 R 的 packageVersion('<pkg>')、?function_name 核对签名；遇到 ImportError、AttributeError、TypeError 时应检查已安装包 API 并调整示例。