WGCNA

WGCNA（Weighted Gene Co-expression Network Analysis）是一种基于基因共表达模式的网络分析方法。该方法通过将相似的基因组成网络，来探索基因间的关联性和共同调控，可以用于研究基因表达调控、发现功能模块、预测基因功能、鉴定转录因子、筛选生物标志物等方面。WGCNA可以应用于各种生物体系，如人类、小鼠、植物等，并且被广泛应用于生物医学、植物学等领域。

WGCNA（Weighted Gene Co-expression Network Analysis）是一种常用的系统生物学方法，可以对基因表达数据进行网络分析，寻找基因间的共表达模式，并通过模块化分析来发现与生物学过程相关的基因模块，从而揭示生物学的本质。

在生信领域，WGCNA的应用非常广泛，主要包括以下几个方面：

1. 基因共表达网络分析：WGCNA能够识别基因间的共表达模式，并把相似的基因聚类在一起，形成基因共表达模块，通过分析这些模块，可以发现在不同生物学过程中具有相似表达模式的基因集合，进而揭示生物学的本质和功能。

2. 差异表达基因分析：WGCNA可以将不同基因表达谱之间的相似性转化为基因共表达模块，从而识别与性状或疾病相关的模块和差异表达的基因，进一步理解不同基因之间的相互作用及其在疾病发生、进展、诊断和治疗中的作用。

3. 基因网络可视化：WGCNA生成的基因共表达网络可以通过Cytoscape等工具进行可视化，将基因、基因模块和基因功能以图形化的方式展示出来，有助于更好地理解基因在生物过程中的作用和相互关系。

4. 数据集整合：WGCNA可以将不同来源的基因表达数据整合到一个共同的共表达网络中，提高数据的可靠性和一致性，从而增强对生物学过程的理解。

总之，WGCNA是生信分析中一个重要的工具，具有对生物学问题进行系统性和全局性分析的优势，在基因表达、基因功能、疾病发生和治疗等方面都有着广泛的应用。

以下是基于R语言编写代码来构建WGCNA共表达网络的基本步骤：

1. 数据预处理

首先，需要读入RNA-seq或microarray的原始数据，并进行数据预处理，例如数据过滤、归一化、批次效应校正等。这里以读入并预处理好的表达矩阵为例，这个矩阵要求基因名为行名，样本名为列名。

library(WGCNA)

# 读取并预处理好的表达矩阵
expr_data <- read.csv("expr_data.csv", row.names = 1)

1. 构建共表达网络

接下来，使用WGCNA的blockwiseModules函数来构建共表达网络。这个函数的参数包括表达矩阵、模块大小、是否使用自动幂次选择、是否进行检验等。

# 构建共表达网络
network <- blockwiseModules(expr_data, power = 6, TOMType = "unsigned", 
                             minModuleSize = 30, mergeCutHeight = 0.25,
                             numericLabels = TRUE, pamRespectsDendro = FALSE,
                             saveTOMs = TRUE, saveTOMFileBase = "TOM")

1. 可视化共表达网络

构建好共表达网络后，可以使用WGCNA的plotDendroAndColors函数可视化共表达网络。这个函数能够画出聚类图和模块颜色，其中模块颜色表示每个基因属于哪个模块。

# 可视化共表达网络
plotDendroAndColors(network$dendrograms[[1]], network$colors[[1]])

1. 识别与性状相关的模块

一旦构建好了共表达网络，就可以使用moduleTraitCor函数来计算每个模块与性状之间的相关性，进而识别与性状相关的模块。

# 计算每个模块与性状之间的相关性
trait_data <- read.csv("trait_data.csv", row.names = 1)
module_trait_cor <- moduleTraitCor(network, trait_data, corType = "pearson")

1. 可视化与性状相关的模块

最后，可以使用plotModuleTrait函数来可视化与性状相关的模块，将模块与性状之间的相关性系数、P值和基因数显示在一个图中。

# 可视化与性状相关的模块
plotModuleTrait(module_trait_cor, "Trait", showCor = TRUE, 
                corTextArgs = list(cex = 0.8))

以上就是基于R语言编写代码来构建WGCNA共表达网络的基本步骤，当然根据具体的数据和问题，还需要进行一些额外的处理和分析。

这里提供一个简单的R语言代码实现基于转录组数据构建WGCNA共表达网络的示例，具体注释见代码。

# 导入WGCNA包
library(WGCNA)

# 读取基因表达数据
# 这里假设数据格式为csv，基因名为第一列，样本为第一行
expr_data <- read.csv("gene_expression.csv", row.names = 1)

# 构建共表达网络
# power是WGCNA中的幂次参数，用于加权网络边
# minModuleSize是最小模块大小，用于控制模块数量和大小
# TOMType为 unsigned，表明构建的网络为无向网络
# mergeCutHeight是合并树的高度
# saveTOMs和saveTOMFileBase用于保存Tom矩阵，以便后续分析使用
nSelect <- 20000 # 选择前20000个变异的基因
net <- blockwiseModules(t(expr_data)[1:nSelect,], power = 6, TOMType = "unsigned",
                        minModuleSize = 30, reassignThreshold = 0, mergeCutHeight = 0.25,
                        numericLabels = TRUE, pamRespectsDendro = FALSE,
                        saveTOMs = TRUE, saveTOMFileBase = "TOM")

# 可视化共表达网络
# plotDendroAndColors函数用于绘制聚类图和模块颜色
# 如果需要保存聚类图和模块颜色，可以使用savePlot函数
plotDendroAndColors(net$dendrograms[[1]], net$colors[[1]], 
                    dendroLabels = FALSE, hang = 0.03)

# 识别与性状相关的模块
# 这里假设性状数据的格式为csv，性状名为第一列，样本为第一行
trait_data <- read.csv("trait_data.csv", row.names = 1)
# moduleTraitCor函数计算模块与性状之间的相关性
# corType为pearson或spearman，用于计算相关系数
# usePearson为TRUE时，使用pearson方法；FALSE时，使用spearman方法
module_trait_cor <- moduleTraitCor(net, trait_data, corType = "pearson", usePearson = TRUE)

# 可视化与性状相关的模块
# plotModuleTrait函数可视化模块与性状之间的相关性
# showCor为TRUE时，显示相关系数
plotModuleTraitColors(module_trait_cor, net$colors[[1]], legendPosition = "right")

# 保存构建的共表达网络和与性状相关的模块信息
save(net, file = "network.RData")
write.csv(module_trait_cor, file = "module_trait_cor.csv")