WGCNA分析作為近年來比較熱門的一種分析方法，已經(jīng)在許多實驗中得到了應(yīng)用，相關(guān)的文章也發(fā)表在nature communications、plant physiology、the plant journal等國際知名的植物學(xué)期刊。但是對于許多無生信基礎(chǔ)的人而言，如何理解并實施WGCNA分析卻成了一個讓人頭疼的問題。因此，為了解決這一難題，本公眾號在上一篇推文無代碼實現(xiàn)WGCNA分析(一)中詳細(xì)介紹了如何用WGCNA實現(xiàn)樣品聚類圖的繪制、最合適的power值的確定、自動網(wǎng)絡(luò)結(jié)構(gòu)和模塊的構(gòu)建、基因與模塊間的相關(guān)性的建立以及Cytoscape網(wǎng)絡(luò)的導(dǎo)出(Cytoscape圖的繪制參考之前的推文Cytoscape操作指南)。雖然，對于一些實驗而言，這些分析可能已經(jīng)足夠。但是，對于希望能夠篩選到一些重要的關(guān)鍵基因(hubgene)，將文章的檔次再提高那么一點點，或者為接下來的實驗作一個更好的鋪墊，目前的WGCNA分析深度遠(yuǎn)遠(yuǎn)不夠。因此，為了完成這一目標(biāo)，我們將在接下來的篇幅中重點介紹如何通過WGCNA挖掘關(guān)鍵的hubgene。

前面的步驟(第一步到第八步)可以參考無代碼實現(xiàn)WGCNA分析(一)實現(xiàn)，接下來，我們代碼將沿著無代碼實現(xiàn)WGCNA分析(一)的步驟繼續(xù)分析下去。

第九步：探討基因、模塊、性狀三者間的關(guān)系，并導(dǎo)出重要的hubgene

9.1?計算各個基因與各個模塊間的內(nèi)在聯(lián)系。

其中，power_value的值選自于之前計算的值?；趐ower_value的基礎(chǔ)上分別計算所有基因與每個模塊的關(guān)聯(lián)性也就是KME值，即每個基因相對于每個模塊特征值的有符號特征值連通性。

9.2?利用性狀數(shù)據(jù)，計算每個樣本與性狀的關(guān)系。

9.3?繪制基因與合并模塊之間顯著性的柱狀圖(圖1)，再生成由相關(guān)性、p值和回歸線注釋的散點圖(圖2)。

注意：這里圖二包含每個模塊生成的一張圖，但是本推文僅展示一個模塊生成的圖。

經(jīng)由此步，腳本會生成圖1和圖2。

9.4?篩選hubgene

篩選hubgene的方法并不固定，每個分析者都可以根據(jù)自己的要求，設(shè)定相應(yīng)的閾值去篩選。這里，我們僅介紹兩種篩選hubgene的方法。

(1)直接根據(jù)基因與指定性狀的直接相關(guān)性、所屬模塊身份和加權(quán)相關(guān)性去篩選基因。

(2) 先基于KME和KME_pvalue去找到所有的hub基因，后基于在無代碼實現(xiàn)WGCNA分析(一)第8.3部分計算得到的性狀與模塊相關(guān)性數(shù)值，找到關(guān)鍵的hub基因。

首先，利用cor函數(shù)和corPvalueStudent函數(shù)計算KME的pvalue，并輸出相應(yīng)的文件(文件非必須輸出)。

其次，分不同的模塊抽取出其KME和KIM的值，再將其合并起來。

最后，先基于上一步計算得到的KME和KME_pvalue與篩選所有的hub基因，后基于性狀與模塊的相關(guān)性，找到關(guān)鍵的hub基因。

最后，完成所有的WGCNA分析，挖掘出關(guān)鍵的hubgene。

三 慣例小結(jié)

本公眾號開發(fā)的相關(guān)軟件，Multi-omics Hammer軟件和Multi-omics Visual軟件歡迎大家使用。文末是本公眾號在其他平臺的賬戶，也歡迎大家關(guān)注并多提意見。

簡書：WJ的生信小院

博客園：生信小院

公眾號：生信小院

最后，也歡迎各位大佬能夠在本平臺上：1傳播和講解自己發(fā)表的論文；2：發(fā)表對某一科研領(lǐng)域的看法；3：想要達(dá)成的合作或者相應(yīng)的招聘信息；4：展示自己以尋找博后工作或者博士就讀的機(jī)會;5:博導(dǎo)提供博后工作或者博士攻讀機(jī)會，都可以后臺給筆者留言。希望本平臺在進(jìn)行生信知識分享的同時，能夠成為生信分析者的交流平臺，能夠?qū)崿F(xiàn)相應(yīng)的利益互補(bǔ)和雙贏（不一定能實現(xiàn)，但是夢想總得是有的吧）。