WGCNA: an R package for weighted correlation network analysis

前言

• 这篇文章讲WGCNA方法论
• 这篇文章发在2008年BMC Bioinformatics(IF = 3.781)，但是到目前的引用量高达1926.

1. 为什么要开发这个软件

1. 在现有方法中（差异分析或趋势分析无法对基因进行有效分类）

   
   
   

   image.png
2. 依赖数据的功能分析无法推测新的调控关系

• Kegg 的 pathway 都来源文献已报到的调控关系
• 如果你关注的调控系在已有数据库未录入（或还没被报道），依赖这些分析是难以找到线索的。

2. WGCNA 有点

• 从“系统”的角度去解析关注的问题，而不是去罗列单一基因的清单
• 研究关注点是基因模块，而不是单一基因
• 网络的概念让抽象的生物学问题更直观易懂

3. 基础知识

1. 为什么基因表达量存在相关性

• 在一定机制控制下，功能相关的一组基因，协调一致，共同表达
• 也有可能一个基因诱导/遏制另外一个基因的表达

2. 模块 ：表达模式相似的一组基因
3. 模块中的所有基因进行 PCA 分 析，得到的主成1（PC1 ）的值。 PC1 相当于模块中所有基因表达量的加权，可以代 表这个模块的达式。

3. WGCNA 网络相关的一些基础概念

3.1 Functions for network construction

• 无尺度网络介绍

  
  
  

  image.png

• 如何把基因与基因之间的关系矩阵变为0-1的矩阵。

  
  
  

  image.png
  
  
  

  image.png
  
  
  

  image.png
  
  
  

  image.png
  
  
  

  image.png
  
  
  

  image.png

4. WGCNA 网络生物学意义的挖掘

4.1 目标模块选取

1. 模块表达模式

   
   
   

   image.png

2. 模块相关性分析

   
   
   

   image.png
3. 富集分析

• 如上文提到的 存在诱导 /阻遏表达（ TF 和靶基因）或协调表达（例如 被同一个 TF 调控一组基因）关系的，更容易出现在个模块中。
• 而且在大样本的情况下，基因表达分类更加有规律。
• 所以，对模块开展 KEGG KEGG、GO 功能富集分析，通常会找到很有规律的类型。

4.2 模块内的分析

1. 从模板基因入手

• 模块内的功能调控关系分析

2. 基因的模块内连通性

   
   
   

   image.png

3. 核心基因

   
   
   

   image.png

4. 目标基因相关的局部调控网络

   
   
   

   image.png

5. 关注特定类型的基因

   
   
   

   image.png

5. 进行WGCNA分析的两个关键问题

1. WGCNA 分析对样本有什么要求？

   
   
   

   image.png

6. WGCNA的步骤总结

image.png

image.png

image.png