无代码实现WGCNA分析(二)

WGCNA分析作为近年来比较热门的一种分析方法，已经在许多实验中得到了应用，相关的文章也发表在nature communications、plant physiology、the plant journal等国际知名的植物学期刊。但是对于许多无生信基础的人而言，如何理解并实施WGCNA分析却成了一个让人头疼的问题。因此，为了解决这一难题，本公众号在上一篇推文无代码实现WGCNA分析(一)中详细介绍了如何用WGCNA实现样品聚类图的绘制、最合适的power值的确定、自动网络结构和模块的构建、基因与模块间的相关性的建立以及Cytoscape网络的导出(Cytoscape图的绘制参考之前的推文Cytoscape操作指南)。虽然，对于一些实验而言，这些分析可能已经足够。但是，对于希望能够筛选到一些重要的关键基因(hubgene)，将文章的档次再提高那么一点点，或者为接下来的实验作一个更好的铺垫，目前的WGCNA分析深度远远不够。因此，为了完成这一目标，我们将在接下来的篇幅中重点介绍如何通过WGCNA挖掘关键的hubgene。

前面的步骤(第一步到第八步)可以参考无代码实现WGCNA分析(一)实现，接下来，我们代码将沿着无代码实现WGCNA分析(一)的步骤继续分析下去。

第九步：探讨基因、模块、性状三者间的关系，并导出重要的hubgene

9.1 计算各个基因与各个模块间的内在联系。

其中，power_value的值选自于之前计算的值。基于power_value的基础上分别计算所有基因与每个模块的关联性也就是KME值，即每个基因相对于每个模块特征值的有符号特征值连通性。

9.2 利用性状数据，计算每个样本与性状的关系。

9.3 绘制基因与合并模块之间显著性的柱状图(图1)，再生成由相关性、p值和回归线注释的散点图(图2)。

注意：这里图二包含每个模块生成的一张图，但是本推文仅展示一个模块生成的图。

经由此步，脚本会生成图1和图2。

9.4 筛选hubgene

筛选hubgene的方法并不固定，每个分析者都可以根据自己的要求，设定相应的阈值去筛选。这里，我们仅介绍两种筛选hubgene的方法。

(1)直接根据基因与指定性状的直接相关性、所属模块身份和加权相关性去筛选基因。

(2) 先基于KME和KME_pvalue去找到所有的hub基因，后基于在无代码实现WGCNA分析(一)第8.3部分计算得到的性状与模块相关性数值，找到关键的hub基因。

首先，利用cor函数和corPvalueStudent函数计算KME的pvalue，并输出相应的文件(文件非必须输出)。

其次，分不同的模块抽取出其KME和KIM的值，再将其合并起来。

最后，先基于上一步计算得到的KME和KME_pvalue与筛选所有的hub基因，后基于性状与模块的相关性，找到关键的hub基因。

最后，完成所有的WGCNA分析，挖掘出关键的hubgene。

三 惯例小结

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

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）。