参考
本文主要参考官方指南Tutorials for WGCNA R package (ucla.edu)，详细内容可参阅官方文档。
其它资料：
WGCNA - 文集 - 简书 (jianshu.com)
WGCNA分析，简单全面的最新教程 - 简书 (jianshu.com)
WGCNA：（加权共表达网络分析）_bioprogrammer-CSDN博客
WGCNA如何从module中挖掘关键基因_庐州月光的博客-CSDN博客
数据准备
WGCNA 简明指南|1. 基因共表达网络构建及模块识别
WGCNA 简明指南|2. 模块与性状关联分析并识别重要基因
在R中可视化网络
可视化基因网络
# 模块检测时的计算，重新算一次 dissTOM = 1-TOMsimilarityFromExpr(datExpr, power = 6); # 对dissTOM进行power转换，使中等强度的连接在热图中更加明显 plotTOM = dissTOM^7; # 设置对角线为NA以得到更好的图 diag(plotTOM) = NA; # 绘图 sizeGrWindow(9,9) TOMplot(plotTOM, geneTree, moduleColors, main = "Network heatmap plot, all genes")
图1:使用热图显示基因网络。热图描述了分析中所有基因的拓扑重叠矩阵(TOM)。浅色代表低重叠，逐渐变深的红色代表高重叠。沿着对角线的深色块是模块。基因树状图和模块分配也显示在左侧和顶部。
部分基因可视化TOM矩阵
全部基因生成热图可能需要大量的时间。可以限制基因的数量来加快绘图速度。然而，一个基因子集的基因树状图通常看起来不同于所有基因的基因树状图。在下面的例子中，将绘制的基因数量限制在400个。
nSelect = 400 # 为了可重复，设置随机数种子 set.seed(10); select = sample(nGenes, size = nSelect); selectTOM = dissTOM[select, select]; # 没有简单的方法将聚类树限制在基因的一个子集，所以我们必须重新聚类 selectTree = hclust(as.dist(selectTOM), method = "average") selectColors = moduleColors[select]; # 绘制 sizeGrWindow(9,9) plotDiss = selectTOM^7; diag(plotDiss) = NA; TOMplot(plotDiss, selectTree, selectColors, main = "Network heatmap plot, selected genes")
图2：部分基因可视化TOM矩阵
eigengenes网络可视化
# 重新计算模块 eigengenes MEs = moduleEigengenes(datExpr, moduleColors)$eigengenes # 提取临床特征weight weight = as.data.frame(datTraits$weight_g); names(weight) = "weight" # 在eigengenes模块中加入临床特征weight MET = orderMEs(cbind(MEs, weight)) # 绘制eigengenes和临床特征weight之间的关系图 sizeGrWindow(5,7.5); par(cex = 0.9) plotEigengeneNetworks(MET, "", marDendro = c(0,4,1,2), marHeatmap = c(3,4,1,2), cex.lab = 0.8, xLabelsAngle= 90) # 分别绘制 # 绘制树状图 sizeGrWindow(6,6); par(cex = 1.0) plotEigengeneNetworks(MET, "Eigengene dendrogram", marDendro = c(0,4,2,0), plotHeatmaps = FALSE) # 绘制热图 par(cex = 1.0) plotEigengeneNetworks(MET, "Eigengene adjacency heatmap", marHeatmap = c(3,4,2,2), plotDendrograms = FALSE, xLabelsAngle = 90)
eigengenes特征基因的层次聚类树状图。树状图显示红色、棕色和蓝色模块高度相关，它们之间的相关性强于它们与weight的相关性。
相关性热图。
将网络数据导出到网络可视化软件
导出到Cytoscape
# Recalculate topological overlap if needed TOM = TOMsimilarityFromExpr(datExpr, power = 6); # Read in the annotation file annot = read.csv(file = "GeneAnnotation.csv"); # 以红色和棕色模块为例 modules = c("brown", "red"); # Select module probes probes = names(datExpr) inModule = is.finite(match(moduleColors, modules)); modProbes = probes[inModule]; modGenes = annot$gene_symbol[match(modProbes, annot$substanceBXH)]; # Select the corresponding Topological Overlap modTOM = TOM[inModule, inModule]; dimnames(modTOM) = list(modProbes, modProbes) # Export the network into edge and node list files Cytoscape can read cyt = exportNetworkToCytoscape(modTOM, edgeFile = paste("CytoscapeInput-edges-", paste(modules, collapse="-"), ".txt", sep=""), nodeFile = paste("CytoscapeInput-nodes-", paste(modules, collapse="-"), ".txt", sep=""), weighted = TRUE, threshold = 0.02, nodeNames = modProbes, altNodeNames = modGenes, nodeAttr = moduleColors[inModule]);
cyt中有edge和node数据，可以导入cytoscape进行可视化。
