WGCNA加权共表达分析全流程分析教程

最新推荐文章于 2024-09-13 11:17:09 发布
最新推荐文章于 2024-09-13 11:17:09 发布
阅读量687 收藏 13
点赞数 13
分类专栏： 生信 生物信息学 科研 文章标签： r语言 数据分析 数据可视化
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/qq_40073899/article/details/140968881
版权
生信 同时被 3 个专栏收录
17 篇文章 4 订阅
订阅专栏
生物信息学
16 篇文章 1 订阅
订阅专栏
科研
16 篇文章 0 订阅
订阅专栏

WGCNA表达数据的预处理和查看是否有离群样本

教学视频

该节教程: https://www.bilibili.com/video/BV117421d7h9/

窗口截图

3406636a4b84e6aaf25ac37356b2ca89.jpeg

参数解释

func_id__col: 表达数据文件的索引列

nested_function:是否嵌套函数

run_file_path:基因表达矩阵数据集文件路径

run_read_file: 是否要读取文件

run_analysis_type_name:分析项目名称

run_add__res__dir:是否要创建res_dir结果目录

run_add_save_file_prefix: 是否要添加结果保存文件的前缀

run_add__parent__dir: 是否在上一级目录下创建目录或保存结果

提交

参数给定的默认值

func_id__col: V1 ;

nested_function: TRUE ;

run_file_path: D:/omics_tools/demo_data/renal_combine_gses/4.4.remove_outlier_samples/4.4.remove_outlier_samples_filtred_merged_main.csv ;

run_read_file: TRUE ;

run_analysis_type_name: 7.1.wgcna_preprocess ;

run_add__res__dir: TRUE ;

run_add_save_file_prefix: TRUE ;

run_add__parent__dir: TRUE

运行中的显示信息

分析正在执行中，请稍后, 运行结果保存的目录位置为: D:/omics_tools/demo_data/renal_combine_gses\7.1.wgcna_preprocess; 运行结果日志保存的路径为: D:/omics_tools/demo_data/renal_combine_gses\7.1.wgcna_preprocess\7.1.wgcna_preprocess_last_final_run_res_log.csv

运行完成的显示信息

执行已完成,运行结果保存的目录位置为: D:/omics_tools/demo_data/renal_combine_gses\7.1.wgcna_preprocess; 分析结果日志保存的路径为: D:/omics_tools/demo_data/renal_combine_gses\7.1.wgcna_preprocess\7.1.wgcna_preprocess_last_final_run_res_log.csv

结果展示

结果文件列表

9cc82777eed2e12555fd6c1ceeb09229.jpeg

样本聚类结果

8519274ee24f328476756d7ec1aab24f.jpeg

剔除离群样本

教学视频

该节教程:https://www.bilibili.com/video/BV1hi421U7WN/

参数解释

func_connectivity__threshold:连接度阈值

nested_function:是否嵌套函数

run_file_path:wgcna第一步预处理后的结果

run_read_file:是否要读取文件

run_analysis_type_name:分析项目名称

run_add__res__dir:是否要创建res_dir结果目录

run_add_save_file_prefix:是否要添加结果保存文件的前缀

run_add__parent__dir:是否在上一级目录下创建目录或保存结果

提交

参数给定的默认值

func_connectivity__threshold: -2 ;

nested_function: TRUE ;

run_file_path: D:/omics_tools/demo_data/renal_combine_gses/7.1.wgcna_expdata_process/7.1.wgcna_expdata_process_step1_processed_wgcna_data.rds ;

run_read_file: TRUE ;

run_analysis_type_name: 7.2.wgcna_outlier_sample_remove ;

run_add__res__dir: TRUE ;

run_add_save_file_prefix: TRUE ;

run_add__parent__dir: TRUE

窗口截图

7a2368dd2db051c02dc1d6aa413980c6.jpeg

运行中的显示信息

执行中，请稍后, 运行结果保存的目录位置为: D:/omics_tools/demo_data/renal_combine_gses\7.2.wgcna_outlier_sample_remove; 分析结果日志保存的路径为: D:/omics_tools/demo_data/renal_combine_gses\7.2.wgcna_outlier_sample_remove\7.2.wgcna_outlier_sample_remove_last_final_run_res_log.csv

运行完成的显示信息

执行已完成,运行结果保存的目录位置为: D:/omics_tools/demo_data/renal_combine_gses\7.2.wgcna_outlier_sample_remove; 分析结果日志保存的路径为: D:/omics_tools/demo_data/renal_combine_gses\7.2.wgcna_outlier_sample_remove\7.2.wgcna_outlier_sample_remove_last_final_run_res_log.csv

结果文件展示

结果文件列表

2627b4e2879d250f8dc29fbf15a5c35d.jpeg

连接度可视化

ca97277b4a213f45772a38d33450dcc2.jpeg

wgcna的网络构建

参数解释

func_group__info__file: 分组列文件

func_sample__id__col:样本的id列名

func_group__col:分组列名

func_power:第三步计算出的软阈值

func_corType:相关性的计算方法

func_TOMType: TOM类型,是否有正负号之分

nested_function:是否嵌套函数

run_file_path:wgcna第二步的结果

run_read_file:是否要读取文件

run_analysis_type_name:分析项目名称

run_add__res__dir:是否要创建res_dir结果目录

run_add_save_file_prefix:是否要添加结果保存文件的前缀

run_add__parent__dir:是否在上一级目录下创建目录或保存结果

提交

参数给定的默认值

func_group__info__file: D:/omics_tools/demo_data/renal_combine_gses/4.4.remove_outlier_samples/4.4.remove_outlier_samples_filtred_merged_label.csv ;

func_sample__id__col: id.col ;

func_group__col: group.level ;

func_power: 20 ;

func_corType: pearson ;

func_TOMType: signed ;

nested_function: TRUE ;

run_file_path: D:/omics_tools/demo_data/renal_combine_gses/7.2.wgcna_outlier_sample_remove/7.2.wgcna_outlier_sample_remove_step2_remove_outlier_sample.rds ;

run_read_file: TRUE ;

run_analysis_type_name: 7.4.wgcna_network_build ;

run_add__res__dir: TRUE ;

run_add_save_file_prefix: TRUE ;

run_add__parent__dir: TRUE

窗口截图

bb849d4a15d1ea84ab816f42453162bd.jpeg

运行中的显示信息

分析正在执行中，请稍后, 运行结果保存的目录位置为: D:/omics_tools/demo_data/renal_combine_gses\7.4.wgcna_network_build; 运行结果日志保存的路径为: D:/omics_tools/demo_data/renal_combine_gses\7.4.wgcna_network_build\7.4.wgcna_network_build_last_final_run_res_log.csv

运行完成的显示信息

执行已完成,运行结果保存的目录位置为: D:/omics_tools/demo_data/renal_combine_gses\7.4.wgcna_network_build; 分析结果日志保存的路径为: D:/omics_tools/demo_data/renal_combine_gses\7.4.wgcna_network_build\7.4.wgcna_network_build_last_final_run_res_log.csv

结果文件展示

结果文件列表

6d96d9cc665f41483ec705c29e7fad0a.jpeg

结果图展示

ca128ea02b2595aee83c51d0988bebd4.jpegb63613b629aeb77ae1aa327b0a10cd6d.jpeg

8dc9a7165da26561ef2c30986cc84e63.jpeg

wgcna的性状最相关的模块的散点图可视化

教学视频

该节教程:https://www.bilibili.com/video/BV1UJ4m137L1/

参数解释

func_trait__module__info__file:挑选的跟性状最相关的颜色模块文件

nested_function:是否嵌套函数

run_file_path: wgcna第四步的结果

run_read_file:是否要读取文件

run_analysis_type_name: 分析项目名称

run_add__res__dir:是否要创建res_dir结果目录

run_add_save_file_prefix: 是否要添加结果保存文件的前缀

run_add__parent__dir:是否在上一级目录下创建目录或保存结果

提交

参数给定的默认值

func_trait__module__info__file: D:/omics_tools/demo_data/wgcna_trait_module_info.csv ; nested_function: TRUE ;

run_file_path: D:/omics_tools/demo_data/renal_combine_gses/7.4.wgcna_network_build/7.4.wgcna_network_build_network_module_cor_res.RData ;

run_read_file: FALSE ;

run_analysis_type_name: 7.5.wgcna_module_trait_gene ;

run_add__res__dir: TRUE ;

run_add_save_file_prefix: TRUE ;

run_add__parent__dir: TRUE

窗口截图

4f0668c2754f49ac6e5b844e039289a4.jpeg

运行中的显示信息

分析正在执行中，请稍后, 运行结果保存的目录位置为: D:/omics_tools/demo_data/renal_combine_gses\7.5.wgcna_module_trait_gene; 运行结果日志保存的路径为: D:/omics_tools/demo_data/renal_combine_gses\7.5.wgcna_module_trait_gene\7.5.wgcna_module_trait_gene_last_final_run_res_log.csv

分析结果展示

结果文件列表

9920a3451bec44357e5dd70cb818e539.jpeg

结果文件展示

a3c2a99a51e13a6dc5d483bbc4658f6b.jpegcf6f419b6f8519fad6922a1178662acf.jpeg

wgcna的TOM拓扑矩阵计算和导出到cytoscape

参数解释

func_power: 第三步计算出的软阈值

func_corType: 相关性的计算方法

func_TOMType: TOM类型,是否有正负号之分

func_module__color: 选取的最相关的模块颜色，多个模块之间用;分号分隔

func_network__RData__file: 第四步的网络模块相关性结果RData文件

nested_function: 是否嵌套函数

run_file_path: wgcna第二步处理后的表达矩阵rds文件

run_read_file: 是否要读取文件

run_analysis_type_name: 分析项目名称

run_add__res__dir: 是否要创建res_dir结果目录

run_add_save_file_prefix: 是否要添加结果保存文件的前缀

run_add__parent__dir: 是否在上一级目录下创建目录或保存结果

提交

参数给定的默认值

func_power: 20 ;

func_corType: pearson ;

func_TOMType: signed ;

func_module__color: blue ;

func_network__RData__file: D:/omics_tools/demo_data/renal_combine_gses/7.4.wgcna_network_build/7.4.wgcna_network_build_network_module_cor_res.RData ;

nested_function: TRUE ; run_file_path: D:/omics_tools/demo_data/renal_combine_gses/7.2.wgcna_outlier_sample_remove/7.2.wgcna_outlier_sample_remove_step2_remove_outlier_sample.rds ;

run_read_file: FALSE ;

run_analysis_type_name: 7.6.wgcna_output_to_cytoscape ;

run_add__res__dir: TRUE ;

run_add_save_file_prefix: TRUE ;

run_add__parent__dir: TRUE

窗口截图

6c0337d522442e369b3fc0a5b96ace1d.jpeg

运行中的显示信息

执行中，请稍后, 运行结果保存的目录位置为: D:/omics_tools/demo_data/renal_combine_gses\7.6.wgcna_output_to_cytoscape; 分析结果日志保存的路径为: D:/omics_tools/demo_data/renal_combine_gses\7.6.wgcna_output_to_cytoscape\7.6.wgcna_output_to_cytoscape_last_final_run_res_log.csv

结果展示

结果文件类别

4ac787076aae00a7b9e0758628ea0893.jpeg

结果文件信息

86564999fa80b2b17955c2dfe9736790.jpeg33c2229e5a3a7f3a134d06d904406491.jpeg

wgcna的TOM拓扑矩阵计算和导出到cytoscape

教学视频

该节教程:https://www.bilibili.com/video/BV1aT421v7kZ/

参数解释

func_power: 第三步计算出的软阈值

func_corType: 相关性的计算方法

func_TOMType: TOM类型,是否有正负号之分

func_module__color: 选取的最相关的模块颜色，多个模块之间用;分号分隔

func_network__RData__file: 第四步的网络模块相关性结果RData文件

nested_function: 是否嵌套函数

run_file_path: wgcna第二步处理后的表达矩阵rds文件

run_read_file: 是否要读取文件

run_analysis_type_name: 分析项目名称

run_add__res__dir: 是否要创建res_dir结果目录

run_add_save_file_prefix: 是否要添加结果保存文件的前缀

run_add__parent__dir: 是否在上一级目录下创建目录或保存结果

提交

参数给定的默认值

func_power: 20 ;

func_corType: pearson ;

func_TOMType: signed ;

func_module__color: blue ;

func_network__RData__file: D:/omics_tools/demo_data/renal_combine_gses/7.4.wgcna_network_build/7.4.wgcna_network_build_network_module_cor_res.RData ;

nested_function: TRUE ; run_file_path: D:/omics_tools/demo_data/renal_combine_gses/7.2.wgcna_outlier_sample_remove/7.2.wgcna_outlier_sample_remove_step2_remove_outlier_sample.rds ;

run_read_file: FALSE ;

run_analysis_type_name: 7.6.wgcna_output_to_cytoscape ;

run_add__res__dir: TRUE ;

run_add_save_file_prefix: TRUE ;

run_add__parent__dir: TRUE

窗口截图

74325b28bee244c0d9ae10a42138d46e.jpeg

运行中的显示信息

执行中，请稍后, 运行结果保存的目录位置为: D:/omics_tools/demo_data/renal_combine_gses\7.6.wgcna_output_to_cytoscape; 分析结果日志保存的路径为: D:/omics_tools/demo_data/renal_combine_gses\7.6.wgcna_output_to_cytoscape\7.6.wgcna_output_to_cytoscape_last_final_run_res_log.csv

结果展示

结果文件类别

1cbe36afc04ed4b2197eb96ce85a3bb9.jpeg

结果文件信息

fbfd85c64355dd2c6d813285af691bb6.jpeg03350c7f813aa84fac62189e29d50c14.jpeg

邢博士谈科教
关注
专栏目录
【生信分析】基于TCGA肿瘤数据进行基因共表达网络分析
小哲的博客
09-19 2704
WGCNA（Weighted Gene Coexpression Network Analysis）是一个基于基因表达数据构建基因共表达网络的方法。WGCNA和差异基因分析差异基因分析主要针对样本之间的差异，WGCNA主要针对基因之间的关系。WGCNA原文WGCNA 从数千个基因的层面开始，识别临床上感兴趣的基因模块，最后使用模块内连接、基因显著性（例如基于基因表达谱与样本特征的相关性）来识别疾病通路中的关键基因，以进一步验证。WGCNA通过分析基因之间的关联性，将基因区分为多个模块。最后通过这些。
WGCNA加权基因共表达网络分析
ranshan_的博客
03-19 991
容器技术，避免在安装 R 包时各种系统依赖报错问题，如果您的服务器支持的话。4、最重要一步绘制表型与基因相关性热图（WGCNA中最主要结果）产生Module-trait-relationships热图。3、在上述基础上构建共表达网络，将基因划分到不同模块后，绘制基因聚类树 产生Cluster Dendrogram图。WGCNA 在数据集较大时，普通电脑跑不动，需要借助服务器，在服务器中进行 WGCNA 分析时，我建议使用。1、输入数据准备，样本筛选，该过程会产生聚类树图。R 包运行代码 WGCNA.R。
[R语言] WGCNA入门教程
热门推荐
You and Me
01-10 2万+
文章目录wgcna入门-雌性小鼠肝脏表达数据的网络分析：寻找与体重有关的模块1 数据输入和清洗1.1 加载基因表达数据1.2 数据清洗1.3 加载临床特征数据2 建设表达网络与模块检测2.1 自动一步构建网络与模块检测2.1.1 软阈值的选择：网络拓扑分析2.1.2 一步构建网络与模块检测2.2 其他检测算法3 筛选与表型相关的模块3.1 量化模块-特质关联3.2 基因与性状和重要模块的关系：基因...
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.
基因共表达网络分析java,RNA-seq数据的基因共表达网络分析
weixin_42342032的博客
03-12 2004
目录1 背景 BackgroundTypes of biological networksMotivation for using co-expression networksNetwork inference and reverse engineeringBasic graph terminology and data structuresSteps for building a co-expr...
RNA-seq分析：Step9（共表达分析）
沉香best的博客
08-30 1413
WGCNA（Weighted Correlation Network Analysis）是一种系统生物学中常用的数据分析方法，主要用于分析高通量基因表达数据。该方法通过构建基因共表达网络，将相似的基因组织到同一模块中，并用模块间的关联性进行分析，从而识别与生物学过程相关的模块和关键基因。WGCNA分析流程主要包括：数据预处理、构建共表达网络、模块检测、模块注释和功能分析等步骤。
linux系统如何进行聚类树,WGCNA分析使用教程
weixin_39910481的博客
05-01 1079
加权基因共表达网络分析 (WGCNA, Weighted correlation network analysis)是用来描述不同样品之间基因关联模式的系统生物学方法，可以用来鉴定高度协同变化的基因集, 并根据基因集的内连性和基因集与表型之间的关联鉴定候补生物标记基因或治疗靶点。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...
差异共表达分析工具比较研究及其在RNA-Seq数据中的应用.
巴塔查里亚Tezpur University，Tezpur，Assam，784028，IndiaA R T I C L E I N F O保留字：RNA-seq数据共表达网络差异共表达分析GO富集分析途径富集分析A B S T R A C T许多方法正在开发并用于分析基因表达数据，如...
LeetCode //C - 363. Max Sum of Rectangle No Larger Than K
Made in Code
09-12 829
【代码】LeetCode //C - 363. Max Sum of Rectangle No Larger Than K。
How to see if openAI (node js) createModeration response “flagged“ is true
suiusoar
09-13 528
如何查看 OpenAI (Node.js) createModeration 响应中的 "flagged" 是否为 true
Vue 3 中使用 `rules` 进行表单验证
exlink2012的专栏
09-13 469
在 Vue 3 中，rules通常用于表单验证，特别是在结合表单库（如 Element Plus 或 Ant Design Vue）时，rules是验证器的配置项。这里是一个简单的使用rules。
Windows系统安装R语言及RStudio、RTools
m0_73500130的博客
09-12 1077
R语言是一种用于统计分析、绘图的语言和操作环境，它属于GNU系统的一个自由、免费、源代码开放的软件，最初是基于S语言（由AT&T贝尔实验室开发）的一种实现，由新西兰奥克兰大学的Robert Gentleman和Ross Ihaka及其他志愿人员开发，并由“R开发核心团队”负责维护。。R语言广泛的应用在数据科学、生物信息学、金融工程、计算机科学、商业分析、社会科学和医学统计，拥有庞大的第三方包库，涵盖了从基础统计分析到高度专业化领域的应用，极大地扩展了R的功能，同时R语言内置了多种统计和图形函数，能够轻松实
NLP(文本处理技术)在数据分析中的应用实例
eeee~~的博客
09-12 1312
在Python中，可以实现多种自然语言处理（NLP）技术。比如文本预处理，情感分析和主题建模等。
Python数据分析与可视化
hong161688的博客
09-12 870
Python数据分析与可视化是数据科学领域中的重要技能之一。通过掌握Pandas、Matplotlib、Seaborn等库的使用方法和数据分析与可视化的流程技巧，我们可以高效地处理和分析数据，并以图形化方式展示分析结果。这将有助于我们更好地理解数据背后的信息和规律，为决策提供支持。在未来的发展中，随着数据量的不断增加和数据分析技术的不断进步，Python数据分析与可视化的应用前景将更加广阔。
Python 数据分析与可视化
vvvae1234的博客
09-11 1157
在数据分析与可视化逐渐成为各行各业核心竞争力的背景下，Python作为一种高效且易于学习的编程语言，将在未来继续蓬勃发展。通过深入学习与掌握Python的数据分析与可视化工具，您将能够更好地挖掘数据价值，做出数据驱动的决策。希望本指南不仅能帮助您掌握Python数据分析的基础技巧，还能激发您深化学习的兴趣。不论是商业分析、科学研究还是学生项目，数据分析与可视化能力都将是您在数据科学领域的重要资产。
vit-keras-0.0.11.tar.gz
最新发布
09-15
该资源为vit-keras-0.0.11.tar.gz，欢迎下载使用哦！
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

邢博士谈科教

你的支持是我创作最大动力谢谢！

¥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