limma软件包本身可以被引用为：(2015)limma为RNA测序和微阵列研究提供差异表达分析
上面的文章回顾了limma包的整体功能，包括新的和旧的。
其他文章描述了软件包特定功能背后的统计方法。
如果使用limma进行差异表达分析，请引用：
(2016)稳健的高参数估计可以防止高变基因，提高检测差异表达的能力，本文描述了由lmFit实现的线性建模方法，以及由eBayes、topTable等实现的经验Bayes统计。它特别描述了eBayes的robust=TRUE或trend=TRUE。
如果您使用limma进行RNA序列分析，请引用：
(2014)Voom：用于RNA序列读取计数的精确权重解锁线性模型分析工具，该文章描述了RNA seq的voom和limma趋势管道。
为什么是权重？对样本和观测水平的变异性进行建模可以提高RNA序列分析的能力。，描述了描述了voomWithQualityWeights函数。
voom: Precision weights unlock linear model analysis tools for RNA-seq read counts和Why weight? Modelling sample and observational level variability improves power in RNA-seq analyses解释了RNA-seq的limma方法。
RNA-seq analysis is easy as 1-2-3 with limma, Glimma and edgeR给出了完整的工作流案例研究。
在RNA-seq的limma方法中，read counts被转换为log2-counts-per-million (logCPM)，均值-方差关系通过精确权重（precision weights）或经验贝叶斯先验趋势（empirical Bayes prior trend）建模。精确权重（precision weights ）法被称为“voom”，之前的趋势（empirical Bayes prior trend）法被称为“limma-trend”[15]。无论哪种情况，RNA序列数据都可以像微阵列数据一样进行分析。这意味着limma包中的任何线性建模或基因集测试方法都可以应用于RNA-seq数据。
RNA-seq数据通常以unaligned reads的FastQ或BAM文件的形式呈现。reads需要被映射到参考基因组或转录组，然后在外显子或基因水平上产生表达矩阵。我们发现Rsubread package在这方面非常方便、快速和有效。其他流行的方法包括RSEM和HTseq。下面提供了一个可运行的示例，其中完整的代码展示了如何将Rsubread与limma一起使用。http://bioinf.wehi.edu.au/RNAseqCaseStudy。Chen等人[6]提供了另一个完整的代码示例