我们常看到论文中描述：raw read count 服从泊松分布、负二项分布、零点膨胀的负二项分布等等。 为什么这么说？这是由观察数据的分布与目标分布的概率密度函数（PDF）相近而决定。 例如，不管有没有完美均匀的硬币，人们观察到扔硬币正反面出现次数与泊努利分布的PDF相近，所以认定其服从泊努利分布。 换句话说，数据的性质决定服从什么分布，性质包括：密度、均值、方差、标准差等。 所以有的raw read count 数据更倾向于服从泊松分布，有的更倾向于负二项、零点膨胀的泊松、负二项等等吧。
然而对于raw read count 进行log变换的目的，不是要将负二项分布或泊松分布转为正态分布。 因为
- 有且只有对数正态分布的对数变换之后才是正态分布。（所有文章的作者如果认为负二项分布或泊松分布能转为正态分布，那么其数学就是体育老师教的）
- 泊松或负二项分布在不同分布参数情况下，经过对数变换之后，得到分布可能更接近正态分布、也可能更远离。
- 不论服从泊松还是负二项或者是正态或者二值离散分布，任何分布的数据，经过对数变换之后，精准描述该目的就是放大信号。
更准确的说是，放大左侧信号、将分布向右偏。 因为当表达值很小左侧数值很小几乎看不出来差异。例如：
count:
log raw count:
