10X单细胞（10X空间转录组）做WGCNA分析的智慧

最新推荐文章于 2024-05-26 08:36:11 发布

追风少年ii

最新推荐文章于 2024-05-26 08:36:11 发布

阅读量1.2k

点赞数 27

文章标签：数据分析 python

本文链接：https://blog.csdn.net/weixin_53637133/article/details/138210726

版权

hello，大家好，今天给大家分享一些10X单细胞（10X空间转录组）做WGCNA分析时的一些东西，个人认为很重要，不过不得不承认的是，10X单细胞（10X空间转录组）做WGCNA分析发的文章很少，究其原因，还是无法真正的利用WGCNA分析内容与10X单细胞（10X空间转录组）很好的结合，但是这个分析其实很重要，接下来我们就来分享10X单细胞（10X空间转录组）做WGCNA分析的智慧。

WGCNA基本概念

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。（当然，在我们这里每个barcode就会使一个“样本”）

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，并与表型进行显著性关联分析。一是充分利用了信息，二是把数千个基因与表型的关联转换为数个基因集与表型的关联，免去了多重假设检验校正的问题。（表型关联是WGCNA设计的初衷，但是到了我们这里，关联的就是细胞类型）

理解WGCNA，需要先理解下面几个术语和它们在WGCNA中的定义。

共表达网络：定义为加权基因网络。点代表基因，边代表基因表达相关性。加权是指对相关性值进行冥次运算 (冥次的值也就是软阈值 (power, pickSoftThreshold这个函数所做的就是确定合适的power))。无向网络的边属性计算方式为 abs(cor(genex, geney)) ^ power；有向网络的边属性计算方式为 (1+cor(genex, geney)/2) ^ power; sign hybrid的边属性计算方式为cor(genex, geney)^power if cor>0 else 0。这种处理方式强化了强相关，弱化了弱相关或负相关，使得相关性数值更符合无标度网络特征，更具有生物意义。如果没有合适的power，一般是由于部分样品与其它样品因为某种原因差别太大导致的，可根据具体问题移除部分样品或查看后面的经验值。
Module(模块)：高度內连的基因集。在无向网络中，模块内是高度相关的基因。在有向网络中，模块内是高度正相关的基因。把基因聚类成模块后，可以对每个模块进行三个层次的分析：1. 功能富集分析查看其功能特征是否与研究目的相符；2. 模块与性状进行关联分析，找出与关注性状相关度最高的模块；3. 模块与样本进行关联分析，找到样品特异高表达的模块。（这个地方是分析的核心部分）
Connectivity (连接度)：类似于网络中 “度” (degree)的概念。每个基因的连接度是与其相连的基因的边属性之和。
Module eigengene E: 给定模型的第一主成分，代表整个模型的基因表达谱。这个是个很巧妙的梳理，这个地方，很好的用一个向量代替了一个矩阵，方便后期计算。
Intramodular connectivity: 给定基因与给定模型内其他基因的关联度，判断基因所属关系。
Module membership: 给定基因表达谱与给定模型的eigengene的相关性。
Hub gene: 关键基因 (连接度最多或连接多个模块的基因)。
Adjacency matrix (邻接矩阵)：基因和基因之间的加权相关性值构成的矩阵。
TOM (Topological overlap matrix)：把邻接矩阵转换为拓扑重叠矩阵，以降低噪音和假相关，获得的新距离矩阵，这个信息可拿来构建网络或绘制TOM图。