WGCNA那么多图，都啥意思？ 官网

WGCNA使用非常广泛，网上流传的示例代码也非常多，但还是推荐大家直接参考官方代码，最全面且权威：https://horvath.genetics.ucla.edu/html/CoexpressionNetwork/Rpackages/WGCNA/Tutorials/index.html

今天不讲代码，只讲讲这些图怎么看，能表达什么意义。

图解|WGCNA那么多图，都啥意思？ - 知乎

WGCNA文章[1]给出了工作流程图，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

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：

确定最优软阈值主要参考左图，即在不同软阈值（x轴）情况下的无标度拟合指数（scale-free fit index，y轴）。其中红线表示主观选择的无标度拟合指数取值，如图为0.9，一般我们选择0.8~0.95之间较为稳妥。从左图看，当无标度拟合指数在0.9时，符合构建无标度网络的最小软阈值为6，因此可以选择6作为最优软阈值用于后续分析。右图为不同软阈值情况下的网络连通度。

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：

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。

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：

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，绿色表示负相关；每个单元格中的数字表示相关性和显著性。如上图，brown模块与weight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brown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。

基于拓扑重叠矩阵，可以绘制基因之间的相关性热图。其中颜色越深，说明基因之间的相互作用越强。由于对角线表示模块内部基因之间的相互作用，所以自然是对角线上的颜色最深：

也可以看看模块之间的聚类树和相关性热图，探索模块之间的互作关系：

可以将感兴趣的性状，如weight也加入到图中。如上图，可以发现red、brown、blue模块之间有很强的相关性，甚至比他们与weight之间的相关性更强。

之后针对关键模块brown和感兴趣的性状weight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。 `

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。

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或VisANT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——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[2]；可以根据关键模块的网络degree筛选top 30作为核心基因[3]；也可以计算kME值，依据|kME|≥0.7筛选[4]；或者将网络导入Cytoscape后，利用插件cytoHubba筛选[5]。

1. Langfelder P, Horvath S. WGCNA: an R package for weighted correlation network analysis. BMC Bioinformatics. 2008;9:559. Published 2008 Dec 29. doi:10.1186/1471-2105-9-559

2. Song ZY, Chao F, Zhuo Z, Ma Z, Li W, Chen G. Identification of hub genes in prostate cancer using robust rank aggregation and weighted gene co-expression network analysis. Aging (Albany NY). 2019;11(13):4736-4756. doi:10.18632/aging.102087

3. Zhang X, Feng H, Li Z, et al. Application of weighted gene co-expression network analysis to identify key modules and hub genes in oral squamous cell carcinoma tumorigenesis. Onco Targets Ther. 2018;11:6001-6021. Published 2018 Sep 19. doi:10.2147/OTT.S171791

4. Panahi B, Hejazi MA. Weighted gene co-expression network analysis of the salt-responsive transcriptomes reveals novel hub genes in green halophytic microalgae Dunaliella salina. Sci Rep. 2021;11(1):1607. Published 2021 Jan 15. doi:10.1038/s41598-020-80945-3

5. Li CY, Cai JH, Tsai JJP, Wang CCN. Identification of Hub Genes Associated With Development of Head and Neck Squamous Cell Carcinoma by Integrated Bioinformatics Analysis. Front Oncol. 2020;10:681. Published 2020 May 22. doi:10.3389/fonc.2020.00681