学习笔记总结于『生信技能树』马拉松课程

差异分析：找出一组与另一组之间表达量有差别的基因

加权共表达网络分析（WGCNA, Weighted correlation network analysis）：先把基因分组，再找出与自身实验设计或者与某种表型最相关的一组基因

下面将介绍加权共表达网络分析的五张常见图

一、软阈值β选择图

1.R^2系数 & β软阈值

R^2 ：无标度网络的拟合度/判定系数，评估拟合模型对观测数据的解释能力（简单来说R^2是衡量无标度网络的统计指标）

R^2越大，说明越接近无标度网络如图2（a）。哪个数字第一次达到了纵坐标0.8/0.85/0.9，则哪个数字是软阈值

如图纵坐标已达到0.9，对应数字是12，则可以就以0.9为准；如果数值已经达到20+但还没到0.9，那可以换成0.8或0.85（一般最低就0.8了）

β ：软阈值，相关性矩阵向邻接矩阵转换的 参数

2.connectivity连接度

connectivity ：连接度，反映在一个网络中，其某个节点的重要程度

mean connectivity ：平均连通性，尽可能大

3.需要中和两者考虑

虽然要追求尽量大的连接度，但不能太离谱。例如如图1（右）最大平均连接度达到1500时数值是1，对应到图1（左）数值为1时纵坐标是-0.4，它与0.9相差太大，这样也不行

4.无标度网络

如图2（a），有的点处于核心位置，有的点处于边缘位置，它们有明确的等级之分，基因网络更符合无标度网络而不是随机网络

5.随机网络

如图2（c），点与点之间都差不多，没有指向集中性

二、基因模块化图

对基因进行聚类，比较基因表达模式是否类似。类似则会被划进同一模块即被聚到一个分支，每条线代表一个基因

不同模块用不同颜色表示，同一模块的基因通常据有类似的功能

灰色：没有对应到任何模块的基因

希望看到的结果是：每个模块尽量都在一起。同一种颜色越被聚到一起，说明结果越好，但没被聚到一起如图3所示也不是不能用

三、模块与性状之间的关联图

横坐标为表型，纵坐标为模块，数值越大越相关

如图4，假设现在想研究这两个表型genotype和age。对于genotype而言，与它最相关的模块是MEpink；对于age而言，与它最相关的模块是MEturquoise，至此可以将这两个模块的基因分别提取出来研究

相关系数只能计算对应的两列，而表达矩阵是一个表格，而非一列。 所以不是直接拿表达矩阵去计算，而是需要汇总，将多列变成一列后才能计算相关性

多列变一列的方法：对一个模块里的基因表达矩阵进行主成分分析，用第一个主成分（PC1）的指标--特征向量（ME）代表一个模块，得到模块MEs矩阵

至此可以计算每个模块的特征向量与若干个性状之间的相关系数，形成一个矩阵，做热图

四、MM & GS图

即拿出其中一个模块里的基因作图，例如拿取的是图4中青色模块的基因，图5中横坐标为MM，纵坐标为GS。

GS 代表模块里的每个基因与性状的相关性