无代码实现WGCNA分析(一)
WGCNA分析，全称为加权共表达网络分析，英文名为Weighted Correlation Network Analysis，功能包括包括基本数据清理、相关网络构建、模块识别、汇总以及变量和模块与样本性状的关联等功能。
对于一些生信分析小白而言，或许听说这个分析，但是却无从下手。超多代码的撰写也一些刚入门的生信者感到头疼。因此，本文希望通过对代码的一步步解析，阐述如何实现无代码进行WGCNA分析，从而帮助相关读者的文章上升一个小档次。
为方便介绍，本文将从数据准备、代码解析，结果解读三个方面对这些内容进行解析。其中数据准备和结果解读将在代码解析中一一讲解。
第一步：加载相应的R包
这里面值得注意是WGCNA包，此包需要安装许多依赖包才能实现。
第二步：读取相应的文件
2.1 输入文件包括三个，分别为：权重文件inputfile_weightfile；表型文件inputfile_phenotype；参数文件plot_args_file。
权重文件inputfile_weightfile的首行为样本名称，首列则为基因名称，具体格式可以参考文本1。
文本1
表型文件inputfile_phenotype的首行是你所设定的表型，首列则是你有的样品，其间的内容则是你表型关系。
文本2
参数文件plot_args_file则包含两列，首列是参数名，第二列是参数的数值，具体格式可以参考文本3。
文本3
2.2 输出文件则以一个前缀(outputfilename)统计命名，从outputfile_plot1到outputfile_trait_hubGenes_file则为输出的一系列文件。
2.3 从参数文件中读取并设置相应的参数。
本脚本会生成非常多的图片与输出文件，因此也设置了很多的参数。接下来，将一一解析这些参数。
2.4 这部分参数为官方建议，如非必要，则建议不要更改。
2.5 这两行脚本的含义是确认是否支持本脚本使用多线程运行。
2.6 对数据进行处理，方便后面进行计算。
注意：分别指定样品数量和基因数量的两个参数nSamples与nGenes不能出错。
注意：在此步中，你可以选择设定筛选条件去除那些干扰分析结果的基因，避免这些基因的表达数据造成分析结果出现偏差。
注意：最后的步骤将权重数据进行转置，再进行下面的分析。
第三步：绘制聚类图
对数据进行聚类分析，并绘制聚类图(对样品聚类)。
经由此步，会生成下列的图形。
第四步：确定最合适的power值，并绘制powers图
4.1 获取不同的powers值。
调用pickSoftThreshold函数确定合适的power，从而进行软阈值的无尺度拓扑分析。
4.2 如果未找到合适的power值，则根据样本数量来确定power值(这一步也是在数据特别不好的前提下做出的选择)。
4.3 对Soft即powers计算结果进行可视化。
经由此步，会生成下列的图形。
第五步：以块方式检测大型表达式数据集，并构建自动网络结构和模块
调用blockwiseModules函数进行分析，构建网络
注意，此步骤只会产生一个文件(当maxBlockSize指定为基因数时)
如果maxBlockSize小于基因数，则会生成数个".tom"文件，这将导致load(Block_network$TOMFiles[1],verbose=T)函数无法读全所有的TOM文件。
但是对于内存较少却需要分析大数据的分析者而言，建议保存数据的时候将".tom"文件进行切割，后采取逐一加载的方式读入数据。
第六步：构建网络，并可视化基因与模块、模块与模块，基因与基因间的相关性
6.1 调用plotDendroAndColors函数绘制基因与模块的层次聚类图，从而展示基因与模块的对应关系。
其中unmergedColors用于绘制未合并的模块与基因的关系，而colors则用于绘制已经合并后的模块与基因的关系。
经由此步，会生成下列的图形
6.2 调用plotEigengeneNetworks函数绘制各模块之间相关性图。
对于已经合并后的模块间的关系通过用plotEigengeneNetworks函数进行分析和图形可视化。
经由此步，会生成下列的图形
6.3 调用TOMplot函数绘制TOM图
加载构建网络的TOMFiles文件(注意如果".tom"是多个，则可能需要多次加载相应数据，具体内容详见官网)，并利用这个文件进行绘图
绘制各基因间的相关性，这一步也最为耗时。
注意，此步骤调用module_Colors_list表明分析采用合并后的模块结果
经由此步，会生成下列的图形
第七步：利用第五步获得TOM值，从而导出基因之间的关系，用于Cytoscape图的绘制
调用exportNetworkToCytoscape函数进行分析，导出Cytoscape绘制网络所需要的数据
第八步：调用表型数据（如果有的话），获取关注的列与基因，并绘制表型与模块之间的相关性的热图
8.1 检测是否有表型数据
此步骤调用match是确保权重文件的样品名与表型数据的样品名能够一一对应
8.2 关联表型数据与模块数据，并将关键表型数据与各个模块放到一起作为独立单元(也可以认为是独立模块)进行分析
8.3 绘制模块与各性状的关系图
8.4 关联重点表型数据(参数中的key_module)与关键模块基因(参数中的key_pheno)的相关性
上一步产生的图形很多，包括以下三组图形
三 惯例小结
到这里，基本上就完成了WGCNA所有可视化工作了，下一章将介绍一下如何筛选关键的hubgene。
本公众号开发的相关软件，Multi-omics Hammer软件和Multi-omics Visual软件欢迎大家使用。文末是本公众号在其他平台的账户，也欢迎大家关注并多提意见。
简书：WJ的生信小院
博客园：生信小院
微信公众号：生信小院
最后，也欢迎各位大佬能够在本平台上：1传播和讲解自己发表的论文；2：发表对某一科研领域的看法；3：想要达成的合作或者相应的招聘信息；4：展示自己以寻找博后工作或者博士就读的机会;5:博导提供博后工作或者博士攻读机会，都可以后台给笔者留言。希望本平台在进行生信知识分享的同时，能够成为生信分析者的交流平台，能够实现相应的利益互补和双赢（不一定能实现，但是梦想总得是有的吧）。
