WGCNA分析 | 全流程代码分享 | 代码三

已于 2023-02-26 22:08:12 修改
阅读量491 收藏 3
点赞数
文章标签： 后端 学习 r语言 数据挖掘 信息可视化
于 2023-02-26 21:53:02 首次发布
版权声明：本文为博主原创文章，遵循 CC 4.0 BY-SA 版权协议，转载请附上原文出处链接和本声明。
本文链接：https://blog.csdn.net/kanghua_du/article/details/129232392
版权

关于WGCNA的分析，共有3期教程，今天是的第三期。前面两期是使用代码进行分析的，也是我们的平时最常用的分析方法，对我个人来说也是最简洁的方法。（PS：对于使用代码分析，个人有个人的看法。如果你看得懂代码，那么是非常方便的；但是，一旦你遇到超出你能力范围的代码，那么这就是你噩梦）

WGCNA分析教程一

[WGCNA分析教程二]((https://mp.weixin.qq.com/s/Ln9TP74nzWhtvt7obaMp1A)

我们的前面两个教程是付费教程,对于这个价格是否值得，就是仁者见仁，智者见智。

上面的教程，所有代码都原封不动的附上，只需改动几个参数就可以；如果，你连需要改那几个参数都不知道，那么请看我每个教程的视频解析；那么，仍然不知道，那么你就付费咨询解决吧！！

今天的教程是来自TBtools | 零基础掌握WGCNA共表达网络分析 - 「WGCNAshiny by Warlock」,作者已经提供了详细的使用教程，也是非常方便的。直接按照作者的操作分析即可。你考虑的问题，作者大佬都给你考虑到了！！
具体请自己详细看一下。

**作者代码存放位置：**在GitHub中（https://github.com/ShawnWx2019/WGCNA-shinyApp）

自己使用作者教程安装时遇到的问题

我们在TBtools使用WGCNA shiny插件，启动后会进行安装相关的包，但是也许我的环境问题，一直安装不上，出现报错的情况。

当你遇到这样的情况，我们最好的解决办法就是直接使用作者的代码在Rstudio中的运行即可，运行成功后直接跳出可视化操作框。

运行成功后的界面


那么后的操作就按作者的教程进行即可TBtools | 零基础掌握WGCNA共表达网络分析 - 「WGCNAshiny by Warlock」，但是，很多的操作还是需要自己来摸索。

前面WGNCA的教程：

WGCNA分析 | 全流程分析代码 | 代码一

WGCNA分析 | 全流程分析代码 | 代码二

ENDING

这就是本次WGNCA的系列教程，如果你感新兴趣的话，直接跳到相关的链接上。

小杜的生信筆記 ，主要发表或收录生物信息学的教程，以及基于R的分析和可视化（包括数据分析，图形绘制等）；分享感兴趣的文献和学习资料!

小杜的生信筆記
关注
  • 0
    点赞
  • 踩
  • 3
    收藏
    觉得还不错? 一键收藏
  • 打赏
    打赏
  • 0
    评论
RUN-WGCNA:包装程序R脚本，用于执行加权基因共表达网络分析（WGCNA）
05-19
布局 标题 日期 邮政 包装程序，用于运行共表达网络分析（WGCNA） 2015-07-23 运行WGCNA 包装器功能可进行快速的初步加权基因共表达网络分析 背景 加权相关网络分析，也称为加权基因共表达网络分析（WGCNA），是一种广泛使用的数据挖掘方法，尤其用于基于变量之间的成对相关性研究生物网络。 尽管它可以应用于大多数高维数据集，但已在基因组学应用中得到最广泛的使用。 WGCNA方法在分析基因表达数据方面具有非常强大的功能，以获得典型的差异表达实验无法获得的结果和见解。 可以使用的WGCNA R包来实现WGCNA方法和算法并且有可供使用。 尽管这些教程非常出色，但是学习曲线却很陡峭，并且要求分析人员相当精通R编程。 经常被问到如何执行WGCNA时，我想我将分享一些有助于WGCNA入门的主要功能的包装脚本。 我必须强调，使用这些功能不会使分析人员对这种方法的工作原理有更多的了
FiberNetwork:使用 Fiber RNA seq 数据进行 WGCNA 分析
07-04
光纤网络 使用 Fiber RNA seq 数据进行 WGCNA 分析。 #目的 这组脚本接收 RNA seq 表达数据并从数据构建共表达网络。 使用这些脚本时，您需要修改几行才能使您的自定义代码起作用。 因此，这更多的是用于生成与该项目相关联的数据的过程和代码的记录，这些脚本集旨在作为您自己分析的起点，而不是分发就绪的脚本集。 每个脚本的简要细节可以在文件描述中提供，但值得一提的是这些操作的逻辑顺序： #包括脚本和简要说明。 [1] Fiber_Norm_RPM.R 将接收原始计数数据并输出标准化库以及库大小。 [2] WGCNA_construct.R 将修剪基因集。 生成 co-expression 对象并放入一个目录中（您可以通过修改脚本来指定它。） [3] WGCNA_analysis.R 将执行一些更高级别的分析，以可视化共表达网络之间的异同。 [4]constr
生信分析论文套路R语言代码
12-05
TCGA GEO数据处理，基因注释，差异分析，GO，KEGG，GSEA富集分析，肿瘤突变负荷，免疫浸润，LASSO回归，随机森林，SVM-RFE，COX回归，WGCNA网络，共识聚类分析，药物敏感性分析，干性指数，免疫浸润指数，预后模型等维度的相关R语言代码
WGCNA_1.67.zip
06-02
WGCNA是用于生物信息处理的R包软件，可对基因组、转录组等测序数据进行富集化分析，通过差异化的基因表达建立基因与特异性之间的联系。
WGCNA流程包
06-09
WGCNA 聚类 网络 基于表达量权重 相关性
Python库 | PyWGCNA-0.3.1a0.tar.gz
05-21
资源分类：Python库 所属语言：Python 资源全名：PyWGCNA-0.3.1a0.tar.gz 资源来源：官方 安装方法：https://lanzao.blog.csdn.net/article/details/101784059
WGCNA分析 | 代码一
BioinfoDu
02-26 5015
WGCNA数据分析，全部代码直接分享！！
chatgpt赋能Python-python_wgcna
aijinglingchat的博客
05-25 193
本文由chatgpt生成，文章没有在chatgpt生成的基础上进行任何的修改。以上只是chatgpt能力的冰山一角。作为通用的Aigc大模型，只是展现它原本的实力。对于颠覆工作方式的ChatGPT，应该选择拥抱而不是抗拒，未来属于“会用”AI的人。🧡AI职场汇报智能办公文案写作效率提升教程 🧡专注于AI+职场+办公方向。下图是课程的整体大纲下图是AI职场汇报智能办公文案写作效率提升教程中用到的ai工具。
R包WGCNA分析代码
qq_27390023的博客
04-30 1045
【代码】R包WGCNA分析代码。
WGCNA分析 | 全流程代码分享 | 代码二
BioinfoDu
02-26 2511
关于WGNCA的教程，教程二。 全部代码直接分享
WGCNA代码共享.pdf
最新发布
03-28
WGCNA代码共享
Python版WGCNA分析和蛋白质相互作用PPI分析教程
weixin_43682390的博客
07-29 495
在前面的教程中，我们介绍了使用omicverse完成基本的RNA-seq的分析流程，在本节教程中，我们将介绍如何使用omicverse完成加权基因共表达网络分析WGCNA以及蛋白质相互作用PPI分析。
WGCNA 分析
weixin_40809507的博客
10-08 1万+
2021.9.28 参考了生信技能树的教程 第一次学习WGCNA 分析(这个属于单细胞高级分析) 还有细节未探究,WGCNA+GO+KEGG功能注释 参考： https://horvath.genetics.ucla.edu/html/CoexpressionNetwork/Rpackages/WGCNA/Tutorials/ https://cloud.tencent.com/developer/article/1516749 https://zhuanlan.zhihu.com/p/388190968.
用R语言做WGCNA分析全步骤一（附代码解读）【转载】
热门推荐
qq_43138237的博客
04-09 1万+
代码逐句分析一、文章来源二、基因共表达网络构建及模块识别1.数据导入、清洗及预处理2.检查过度缺失值和离群样本3.聚类做离群样本检测4.载入临床特征数据三、自动构建网络及识别模块1.确定合适的软阈值：网络拓扑分析2.一步构建网络和识别模块 一、文章来源 初学WGCNA，觉得博主的代码写的很不错，但其中很多代码在第一遍看的时候有很多地方不理解，后查阅了很多资料，终于看明白了，于是写了一篇笔记，记录自己的学习心得，有不准确的地方，还望各位大佬们不吝赐教~ 原文链接：WGCNA简明指南 二、基因共表达网络构建及模
GEO生信数据挖掘（十）肺结核数据-差异分析-WGCNA分析（900行代码整理注释更新版本）
zzh1464501547的博客
10-18 2057
WGCNA关系网络的构建完毕，绘图找核心基因，Cytoscape 到底怎么玩？
WGCNA 简明指南|1. 基因共表达网络构建及模块识别
weixin_45822007的博客
12-15 6690
WGCNA 简明指南|1. 基因共表达网络构建及模块识别参考简介数据导入、清洗及预处理数据导入检查过度缺失值和离群样本载入临床特征数据自动构建网络及识别模块确定合适的软阈值：网络拓扑分析一...
WGCNA总结笔记：深入研究算法及其实现原理（1）
weixin_44377608的博客
05-23 7744
一、前言 WGCNA全称为Weighted gene co-expression network analysis（也有叫weighted correlation network analysis）即加权基因共表达网络分析。目的是用数学、计算机科学的思想和方法挖掘样品的基因表达量数据与其表型数据里具有生物学意义的结论。本文研究的是R语言WGCNA包的算法、计算、实现过程等，其中涉及到了关于图论、线...
用R语言做WGCNA分析全步骤二（附代码解读）【转载】
qq_43138237的博客
04-11 5087
代码逐句分析一、文章来源二、 关联模块与临床特征1.量化module-trait(模块-特征)关系二级目录三级目录 一、文章来源 初学WGCNA，觉得博主的代码写的很不错，但其中很多代码在第一遍看的时候有很多地方不理解，后查阅了很多资料，终于看明白了，于是写了一篇笔记，记录自己的学习心得，有不准确的地方，还望各位大佬们不吝赐教~ 原文链接：WGCNA简明指南 二、 关联模块与临床特征 1.量化module-trait(模块-特征)关系 在这个分析中，我们希望识别与临床特征显著相关的模块。由于我们已经有了每个
wgcna代码
06-02
以下是WGCNA的R代码示例： 安装依赖包 ``` install.packages("WGCNA") library(WGCNA) ``` 读取表达数据 ``` dataExpr = read.csv("表达矩阵.csv", header = TRUE, row.names = 1) ``` 创建表达数据对象 ``` datExpr = as.data.frame(t(dataExpr)) ``` 创建基因注释对象 ``` geneAnnot = read.csv("基因注释.csv", header = TRUE, row.names = 1) ``` 创建样本信息对象 ``` sampleInfo = read.csv("样本信息.csv", header = TRUE, row.names = 1) ``` 创建WGCNA网络对象 ``` networkType = "unsigned" power = 6 sft = pickSoftThreshold(datExpr, powerVector = 1:20, verbose = 5) power = sft$powerEstimate net = blockwiseModules(datExpr, power = power, TOMType = networkType, verbose = 3, saveTOMs = TRUE, mergeCutHeight = 0.25, minModuleSize = 30, reassignThreshold = 0, pamRespectsDendro = FALSE, geneModuleMembershipThreshold = 0.5) ``` WGCNA网络模块可视化 ``` moduleColors = net$colors labels = as.character(sampleInfo$Group) pdf("moduleColors.pdf") par(mar = c(0, 4, 2, 0) + 0.1, cex.lab = 1.5, cex.axis = 1.5, cex.main = 2) plotDendroAndColors(net$dendrograms[[1]], moduleColors[net$blockGenes[[1]]], "Module colors", dendroLabels = FALSE, hang = 0.03, addGuide = TRUE, guideHang = 0.05, main = "") dev.off() ``` WGCNA模块注释和功能富集分析 ``` moduleLabels = net$colors moduleTraitCor = cor(datExpr, sampleInfo$Group, use = "p") moduleTraitPvalue = corPvalueStudent(moduleTraitCor, nSamples) MEs = net$MEs MEDissThres = 0.25 pdf("moduleTrait.pdf") par(mar = c(6, 8, 3, 3)) plotHeatmap(MEs, cexRow = 1, main = "Module eigengenes") plotDendroAndColors(net$dendrograms[[1]], moduleColors[net$blockGenes[[1]]], "Module colors", dendroLabels = FALSE, hang = 0.03, addGuide = TRUE, guideHang = 0.05, main = "") plotModuleTraitCor(net$colors, moduleTraitCor, moduleTraitPvalue, "Module-trait relationships", showLabel = FALSE, autoOrder = FALSE, legendHeight = 1, method = "average", dendrocutHeight = 0.5, fontSize = 12) dev.off() ``` 以上只是WGCNA的部分代码示例，具体实现还需结合具体数据进行调整和优化。

“相关推荐”对你有帮助么？

  • 非常没帮助
  • 没帮助
  • 一般
  • 有帮助
  • 非常有帮助
提交
评论
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付：10.00元
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包

打赏作者

小杜的生信筆記

你的鼓励将是我创作的最大动力

¥1 ¥2 ¥4 ¥6 ¥10 ¥20
扫码支付：¥1
获取中
扫码支付

您的余额不足，请更换扫码支付或充值

打赏作者

实付元
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明：

1.余额是钱包充值的虚拟货币，按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载，可以购买VIP、付费专栏及课程。

余额充值