【一文一分钟】带你读懂WGCNA结果图
点击蓝字
关注小图
Hello~又到小图【一文一分钟】课堂时间
前面的文章小图介绍了WGCNA，大家去搜索WGCNA肯定也会找到很多教程。其实我们最重要的一步是理解算法的原理，跑完这个代码，能够对结果进行一个正确的解读那么如何解读WGCNA的结果？这一文小图会进行详细介绍。
今天不讲代码，只讲讲这些图怎么看，能表达什么内容。想看代码可以移步 你的高分文章还差一套WGCNA分 后再返回看此文
WGCNA分析流程图主要包括：构建共表达网络→模块识别→模块与性状关联→模块相关性→关键模块中识别核心基因
一、样品聚类，通过聚类查看是否存在异常样品
输出文件解读
结果显示：可以看到，最左边明显有几个样品和别人不在一条枝叶上，因此，我们需要将那几个明显偏离的分支给剪去。
二、在构建共表达网络之前，还有一步比较关键的步骤——寻找最优软阈值（soft thresholding或power），使构建的网络更符合无标度拓扑结构。这时，我们会看到如下图：
输出文件解读
Scale independence
Power一般选在16以下·R方要高于0.8。如果调试后还不能满足可能是表达矩阵没有处理恰当，或者不满足分析条件比如样本里太少，基因数目过多等原因(发表文章一般不放正文)
根据结果，绘制power值对应的散点图；结果显示，1到2，3到4，整个变化趋势都还很明显，而5往后，随着power值的增大，其变化趋势已经不明显了；因此，选取7或者8为最佳的power值。
mean connectivity（为不同软阈值情况下的网络连通度）
平均连接度和power取值间关系选取power般在平均连接度变化呈平稳处(发表文章一般不放正文)
三、基于最优软阈值构建共表达网络，将基因划分到不同模块后，可以绘制基因聚类树：
输出文件解读
Cluster Dendrogram
聚类树状图，这个图可以分为两部分看：上半部分是基因的层次聚类树状图，下半部分是基因模块，也就是网络模块。上下对应，可以看到距离较近的基因（聚类到同一条分支）被划分到了同一模块。Merged是合并相似模块之后的颜色。每个颜色代表一个模块，灰色代表里面基因不属于任何模块。
四、接着，计算模块与感兴趣的临床特征之间的相关性与显著性，绘制相关性热图：
输出文件解读
Module-trait relationships
上图中，最左侧的颜色块代表模块，最右侧的颜色条代表相关性范围。中间部分的热图中，颜色越深相关性越高，红色表示正相关，蓝色表示负相关；每个单元格中的数字表示相关性和显著性。如上图，plink模块与性状表现为正相关且相关性最高。此时，我们可以选择相关性最高的plink模块作为关键模块。一般，我们会按相关性的绝对值筛选最相关模块，即负相关模块也应该考虑在内。需要注意的是，grey模块中包含了所有未参与聚类的基因，因此是无效模块，不应用于后续分析。
五、也可以看看模块之间的聚类树
之后针对关键模块plink和感兴趣的性状进一步挖掘，看看基因与模块的相关性（Module Membership, MM）和基因与性状的相关性（Gene Significance, GS）之间是否有某种关联。
输出文件解读
通过以上散点图，可以发现MM和GS呈正相关，说明这些与性状高度相关的基因，在关键模块中也扮演着举足轻重的角色。
六、我们也可以基于关键模块中基因之间的相似性，构建关键模块网络，以Cytoscape软件可视化展示网络中基因之间的互作关系：
最后，也是最重要的一步——基于关键模块筛选核心基因。这一步的可用方法比较多，没有固定限制。比如，可以根据MM>0.8且GS>0.3筛选核心基因；可以根据关键模块的网络degree筛选top20作为核心基因；也可以计算kME值，依据|kME|≥0.7筛选；或者将网络导入Cytoscape后，利用插件cytoHubba筛选。
下课啦~今天就到这里了。有兴趣的朋友可以继续关注小图的微信公众号（生信图）定期分享生信小技巧知识。另外，云生信生物信息学平台（http://www.biocloudservice.com/home.html），可以深入挖掘差异表达基因，完成多种高级分析内容，例如WGCNA、GSEA、PPI等内容，为您提供最全面、最高效的生物信息分析以及整合利用公共数据库的解决方案。
欢迎使用：云生信平台 ( http://www.biocloudservice.com/home.html)
|
往期推荐 |
|
|
|
|
|
|