WGCNA共表达网络分析-让你的文章闪耀起来

用户6317549

发布于 2019-11-26 12:55:14

3.8K0

发布于 2019-11-26 12:55:14

文章被收录于专栏：科研猫科研猫

WGCNA（Weighted Gene Co-Expression Network Analysis）称为加权基因共表达网络分析是一种适合进行多样本复杂数据分析的工具，通过计算基因间表达关系，鉴定表达模式相似的基因集合（module），解析基因集合与样品表型之间的联系，绘制基因集合中基因之间的调控网络并鉴定关键调控基因。其适合应用于复杂的多样本转录组数据，是发表转录组高分文章的必备技能。

前天有粉丝反应，想看看咱们的WGCNA的教程，于是我们的技术团队迅速行动，用实际行动证明什么才是真正的“实力宠粉”，一整套WGCNA教程请笑纳。

纵观近年发表的转录组相关文献，文章的数目增长速度非常之快，但是低水平的文章比例增大，大家最直观的感觉就是：转录组文章越来越不好发表了。这其实也体现了目前发表文章对转录组数据分析挖掘的要求增高了。为了发表较高水平的文章，大家从实验设计的各个角度进行探索和创新。在高水平转录组文章实验设计方面，大家开始倾向于多因素的研究，尽量地全面和细化实验设计。此外，在转录组实验设计方面，还有不少人另辟蹊径，充分利用这十年以来快速增长的转录组数据库中的公开数据，可直接从数据库筛选多个数据集合来进行整合分析。这些实验设计上的创新带来了样品数目的增多，这就对数据分析和挖掘提出了更高水平的要求。

WGCNA（Weighted Gene Co-Expression Network Analysis）就是一种适合进行多样本复杂数据分析的工具。WGCNA被称为加权基因共表达网络分析，通过计算基因间表达关系，鉴定表达模式相似的基因集合（module），解析基因集合与样品表型之间的联系，绘制基因集合中基因之间的调控网络并鉴定关键调控基因。其适合应用于复杂的多样本转录组数据，是发表转录组高分文章的必备技能。

相比于只关注差异表达的基因，WGCNA利用数千或近万个变化最大的基因或全部基因的信息识别感兴趣的基因集，并与表型进行显著性关联分析。一是充分利用了信息，二是把数千个基因与表型的关联转换为数个基因集与表型的关联，免去了多重假设检验校正的问题。我们将通过这几期的教程，教给大家如何去进行WGCNA这一高级分析，本期内容中，我们先从最简单的概念入手，让大家对WGCNA有一个全面的认知。

理解WGCNA

理解WGCNA，需要先理解下面几个术语和它们在WGCNA中的定义。

共表达网络：定义为加权基因网络。点代表基因，边代表基因表达相关性。加权是指对相关性值进行冥次运算(冥次的值也就是软阈值 (power, pickSoftThreshold这个函数所做的就是确定合适的power))。无向网络的边属性计算方式为 abs(cor(genex, geney)) ^ power；有向网络的边属性计算方式为 (1+cor(genex, geney)/2) ^ power; sign hybrid的边属性计算方式为cor(genex, geney)^power if cor>0 else 0。这种处理方式强化了强相关，弱化了弱相关或负相关，使得相关性数值更符合无标度网络特征，更具有生物意义。如果没有合适的power，一般是由于部分样品与其它样品因为某种原因差别太大导致的，可根据具体问题移除部分样品或查看后面的经验值。
Module(模块)：高度內连的基因集。在无向网络中，模块内是高度相关的基因。在有向网络中，模块内是高度正相关的基因。把基因聚类成模块后，可以对每个模块进行三个层次的分析：1. 功能富集分析查看其功能特征是否与研究目的相符；2. 模块与性状进行关联分析，找出与关注性状相关度最高的模块；3. 模块与样本进行关联分析，找到样品特异高表达的模块。
Connectivity (连接度)：类似于网络中 “度”(degree)的概念。每个基因的连接度是与其相连的基因的边属性之和。
Module eigengene:给定模型的第一主成分，代表整个模型的基因表达谱。这个是个很巧妙的梳理，我们之前讲过PCA分析和tSNE分析的降维作用，之前主要是拿来做可视化，现在用到这个地方，很好的用一个向量代替了一个矩阵，方便后期计算。
Intramodular connectivity:给定基因与给定模型内其他基因的关联度，判断基因所属关系。
Module membership: 给定基因表达谱与给定模型的eigengene的相关性。
Hub gene: 关键基因 (连接度最多或连接多个模块的基因)。
Adjacency matrix(邻接矩阵)：基因和基因之间的加权相关性值构成的矩阵。
TOM (Topological overlap matrix)：把邻接矩阵转换为拓扑重叠矩阵，以降低噪音和假相关，获得的新距离矩阵，这个信息可拿来构建网络或绘制TOM图。