2019-09-06 生物小白理解 WGCNA

计算机专业掉入生信坑真是心塞……

WGCNA是个R 工具包， 用来分析gene数据的

这是2008年发表在BMC BIO上的一篇文章，由于方法简单，便于理解，而且效果不错，一直深得生物学家们的喜爱。

这里只谈论大概思想原理：

首先，我们的数据一般是个样本（m个）*gene（n个）的矩阵。一般来说，n>>m

WGCNA,的主要思想是（这里讨论unsigned）：

1） 计算基因之间的相关性（e.g 皮尔森相关系数），将其绝对值作为一个相似度矩阵S；

2） 认为gene网络是个scale free network，就是只有少量gene特别重要，和很多gene都有关，大多数不重要；

2） 这样，就利用公式$a_{ij}=S_{ij}^{\beta }$ , 来扩大这种相似度的贫富差距，使重要的更重要（权重更大），不重要连接的权重更小。（β是通过soft threshold找到的）

3）计算基因节点之间的TOM值来得到距离矩阵，为聚类准备。

计算TOM值的原因是，作者认为，两个节点之间如果有越多的间接关系（节点a和b有越多的一阶公共节点），则这两个节点之间的相似度应该更高；

TOM值的计算方法如下：
$$w_{ij}=\frac{l_{ij}+a_{ij}}{min(k_i,k_j)+1-a_{ij}}$$
其中，$l_{ij}={\sum }_u{a}_{iu}{a}_{uj}$ ,$u$就是$i$和$j$的所有一阶公共节点（不包括$j$）

$k_i$就是$i$的所有一阶邻居（如果i和j之间有边，则也包括j）

可以看出，$0\le {\omega }_{ij}\le 1$

所以距离矩阵 $d=1-w$

4）简单地在这个距离矩阵上，用层次聚类，得到若干gene clusters，这里将其定义为gene Modules

5）在每个module上用pca计算其第一主成分，用这一个向量代替整个cluster

6）然后就在这些个Modules，想做什么做什么了，比如看看module和其他features or labels的关系啦，在每个module里找重要的gene啦什么的

小结：

gene数据一般都是少样本的高维数据，所以要分析，必须先降维；

如果不在乎数据的可解释性（一般生物学家都在乎），那就feature extraction，可以选择无监督的（pca之类的），或者有监督的（lda之类的），也可以考虑非线性的；

如果在乎的话，那就feature selection，把不重要的feature（genes）都去掉，同样可以选择supervised or unsupervised；

WGCNA, 它其实也是一种降维手段，但是它没有删除任何gene，只是通过聚类将其分组了，然后用pca找出第一主成分，来代表这个类，这样就降维了；

感觉这个方法之所以受欢迎，是因为：

1）scale free network的作用，可能gene数据真的很符合无标度网络的结构；

2）数据的可解释性很强，既用pca降了维， 又没有丢失任何一个gene；