WGCNA的理论背景知识
WGCNA是一种从大量数据中挖掘module的算法，而这些module所包含的gene为一组表达模式类似或这说表达谱相似的基因，也就是相关或不相关。
而正相关还是负相关可以由WGCNA的参数进行设定，默认是既包括正相关又包括负相关。
相似的表达模式可能意味着
-1 tightly co-regulated
-2 functionally related
-3 members of the same pathway
和聚类有一定的相似，但更具有生物学意义。
WGCNA对基因间表达量的相关系数取n次幂，使得相关系数数值的分布逐渐符合无尺度分布，按gene表达模式进行分类，将模式相似的gene归一一个模块module，而不是一般的cluster，因此WGCNA得出的结果有更高的可信度。把几个模块筛选出来了，模块中的gene也就知道了，这样，可以用这些结果分析出更多的意义。
在co-expression 网络中，每一个gene在一个特定时间或空间的表达情况可以看成一个点node，可以通过计算任何两个gene间的相关系数可以得到gene间的表达情况。第i个和第j个gene的pearson相关系数，即表示两个gene的表达相似性。可以通过设定一个阈值来确定两个gene之间的表达谱是否相似。达到这个阈值了就认为它们之间是相似的。这种方式的缺点就是，假如定义了0.8，那么0.79和0.81就是两个不同的范畴了。WGCNA通过软阈值避免这一问题。
网络的数学名称是图，图论中每一个节点node有一个概念，那就是度degree，一个点的度指的是图中该点所关联的边数edge。
scale-free network特点是存在少数节点，具有明显高于一般点的度，也就是并不是平均分布，这些点称为hub，由少数hub与其它节点关联，构成真哥哥网络。这样的无尺度网络的节点读书与具有该度数的节点个数服从幂分布，这就为寻找最佳参数提供了理论依据。
进化的过程中，生物选择了这种网络有其进化意义。整个生物网络中，少数的关键性的gene执行主要功能，只要保证hub的完整性，整个生物网络就不会坍塌，那生命体系就不会受太大影响。