WGCNA云分析，了解一下

前言

随着转录组研究越来越多，实验样本数日趋增多，对数据挖掘要求也越来越高，传统的两两差异分析不再能满足我们的分析需求。科研君们在前往高分文章的道路上出现了绊脚石：生信分析零基础，脚本代码似天书，数据挖掘玩不转，文章发表周期长！

话说，挑战与机遇并存，在此背景下，美吉I-Sanger转录组云平台高级分析——加权基因共表达网络分析(Weighted Gene Co-expression Network Analysis, WGCNA)应运而生，一种非常适合进行复杂转录组数据分析的方法。官方建议至少5组样本，每组三个重复，即样本数在15个以上，以便获得更为科学准确的分析结果。

小编每天见证我们的研发同事加班加点，不懈努力，立志将最好的WGCNA云分析呈现给大家！此刻，小编已经迫不及待地想向大家传授通往高分文章的秘籍：云平台WGCNA分析四步法。

第一步：数据预处理

计算基因表达量之间的相关系数，并做幂函数处理，以便相关系数值的分布最终符合无尺度分布，即使得最终只有少量几个基因和其他很多基因存在相互作用关系，而大部分基因和其他基因间的相互作用关系则很少。通常表达量偏低或变异系数过小的基因，在数据预处理时，认为是噪音需要剔除。另外，云平台上可根据样本聚类分析了解是否存在离群样本，进行样本剔除。

第二步：模块识别

计算基因间的相关系数之后，将基因按照表达模式进行分类，将模式相似的基因归为一个模块（module）。这样做的好处是简化信息量！将成千上万个基因进行模块化。每个模块的基因可能会参与相似的通路，或有相似的功能。

WGCNA云分析的神通广大之处还在于有“参数设置”栏，可以根据需求重新调整参数划分模块，结果分分钟呈现在眼前。

下图就是将基因分为不同模块的结果图，每种颜色代表一个模块。

模块分类树

第三步：核心模块筛选

将模块划分好之后，如何找到最为关键模块呢？通过与表型数据进行关联分析，获得关键模块。通过计算模块与表型的相关性系数，可以直观的看出每个模块与表型的关联性。通过基因与表型相关性热图，也可以直观地查看基因与表型的关联性。

WGCNA云分析的优越之处在于允许客户自由上传表型数据，只需轻轻点击，模块/基因与表型的关联性一目了然，帮您快速锁定核心模块。

模块与表型相关性热图

基因与表型相关性热图

第四步：基因间调控关系可视化及核心基因筛选

通过前面三个步骤，找到与研究密切相关的模块，接下来就要深入关键模块内部一探究竟了。将模块内基因之间的调控关系可视化，得到一个调控网络，可别小看这个分析哦，可以帮您实现的内容可真不少：一是可以形象展示这些基因之间的调控关系；二是可以根据关系预测未知基因的功能；三是可以基于基因之间的连通性来筛选核心基因，也就是处于网络中心节点位置的基因，建议对其优先进行深入分析和挖掘，至于周边那些打酱油的成员，往后放一放是明智的。

并且，WGCNA云分析并不只是简简单单地呈现一张静态网络图而已，通过使用图表工具对网络图的进行调整，动态网络图也能美美哒呈现给您。

结果图通过前面的四步法，相信大家对我们WGCNA云分析的操作步骤和优势特点都已经清晰明了。不过，如果各个步骤都要设置调整参数和运行，想想也是挺耗时费力的呢。贴心的云平台想您所想，解您所忧，专门设置了一个“一键化”流程页面，在此页面上，只需要单另上传表型数据，其他参数可选择默认参数，让分析一步到位。

只是看图还不够过瘾吧，为了帮助大家更好地理解WGCNA分析，学会自主操作，我们将在5月9日推出专题在线讲座“WGCNA云分析 刷爆你的高分文章”，关注我们，加美吉-转录与调控QQ群（QQ ID:537437247或者扫下方二维码)，保证你会有意想不到的收获哦。

我们的美吉I-sanger转录组云平台其他高级分析也会不断上线哦，敬请大家期待！

有你想看的精彩