🤩 WGCNA | 值得你深入学习的生信分析方法！~（网状分析-第二步补充-大数据的网络构建与模块识别）

生信漫卷

发布于 2023-02-24 14:30:20

4050

发布于 2023-02-24 14:30:20

文章被收录于专栏：R语言及实用科研软件

1写在前面

之前我们完成了WGCNA输入数据的清洗，网络构建和模块识别。😘

但这里我们的示例数据内所含有的基因其实是很少的，而在实际情况中，一个简单的测序可能就要包含上万个基因，这对大家的电脑无疑是不小的压力。🤒

在WGCNA的包内其实也提供了解决方案，基本思想是分级聚类。🧐

1️⃣ 首先，我们使用快速但相对粗糙的聚类方法，用于将基因预聚类成大小接近的模块，且不超过你所设定的基因最大值。😂

2️⃣ 然后我们分别在每个模块中执行完整的网络分析。🤠

3️⃣ 最后，合并特征基因高度相关的模块。😏

2用到的包

rm(list = ls())
library(WGCNA)
library(tidyverse)

3示例数据

load("FemaleLiver-01-dataInput.RData")

4软阈值

4.1 topology analysis

首先我们还是要和之前一样进行soft thresholding power β的计算。🤒

powers <-  c(c(1:10), seq(from = 12, to=20, by=2))

sft <-  pickSoftThreshold(datExpr, powerVector = powers, verbose = 5)

4.2 可视化

显然，我们的结果和之前是一样的，6。😜

sizeGrWindow(9, 5)
par(mfrow = c(1,2))
cex1 = 0.9

plot(sft$fitIndices[,1], -sign(sft$fitIndices[,3])*sft$fitIndices[,2],
     xlab = "Soft Threshold (power)",ylab="Scale Free Topology Model Fit,signed R^2",
     type="n", main = paste("Scale independence"))

text(sft$fitIndices[,1], -sign(sft$fitIndices[,3])*sft$fitIndices[,2],
labels=powers,cex=cex1,col="red")

abline(h=0.90,col="red")

plot(sft$fitIndices[,1], sft$fitIndices[,5],
     xlab="Soft Threshold (power)",ylab="Mean Connectivity", 
     type="n", main = paste("Mean connectivity"))

text(sft$fitIndices[,1], sft$fitIndices[,5], labels=powers, cex=cex1,col="red")

5构建网络与模块识别

5.1 网络构建

这里我们就要设置每个block的最大size是多少了，分次计算，再合并，以此减少内存的负担。🤒

bwnet <-  blockwiseModules(
  datExpr, maxBlockSize = 2000,
  power = 6, TOMType = "unsigned", minModuleSize = 30,
  reassignThreshold = 0, mergeCutHeight = 0.25,
  numericLabels = T,
  saveTOMs = T,
  saveTOMFileBase = "femaleMouseTOM-blockwise",
  verbose = 3)

5.2 查看模块数

table(bwnet$colors)

6对比结果

这里我们再对比一下结果，看看2种方法得出结果的区别。🤪

6.1 载入之前的结果

这里我们把之前不分次计算的结果载入进来，后面会用到label和colors。😷

load(file = "FemaleLiver-02-networkConstruction-auto.RData")

6.2 匹配颜色

把colors和label匹配起来，嘿嘿。🤨

bwLabels <-  matchLabels(bwnet$colors, moduleLabels);

bwModuleColors <-  labels2colors(bwLabels)

6.3 分次结果可视化

sizeGrWindow(6,6)

# Block 1
plotDendroAndColors(bwnet$dendrograms[[1]], bwModuleColors[bwnet$blockGenes[[1]]],
"Module colors", main = "Gene dendrogram and module colors in block 1",
dendroLabels = F, hang = 0.03,
addGuide = T, guideHang = 0.05)

# Block 2
plotDendroAndColors(bwnet$dendrograms[[2]], bwModuleColors[bwnet$blockGenes[[2]]],
"Module colors", main = "Gene dendrogram and module colors in block 2",
dendroLabels = F, hang = 0.03,
addGuide = T, guideHang = 0.05)

7对比两种方法的结果差异

7.1 对比一下

我们以可视化的形式对比一下，分割出来的模块差异不大。😂

sizeGrWindow(12,9)

plotDendroAndColors(geneTree,
                    cbind(moduleColors, bwModuleColors),
                    c("Single block", "2 blocks"),
                    main = "Single block gene dendrogram and module colors",
                    dendroLabels = F, hang = 0.03,
                    addGuide = T, guideHang = 0.05)

7.2 对比eigengenes

这里我们提取一下2种方法得到的module eigengenes。🥳

singleBlockMEs <-  moduleEigengenes(datExpr, moduleColors)$eigengenes

blockwiseMEs <-  moduleEigengenes(datExpr, bwModuleColors)$eigengenes

match之后看一下结果，嘿嘿。🫶 高度一致，所以这种blockwise的方法，请放心食用吧，各位。😉

single2blockwise <-  match(names(singleBlockMEs), names(blockwiseMEs))

signif(diag(cor(blockwiseMEs[, single2blockwise], singleBlockMEs)), 3)

8如何引用

📍 Langfelder, P., Horvath, S. WGCNA: an R package for weighted correlation network analysis. BMC Bioinformatics 9, 559 (2008). https://doi.org/10.1186/1471-2105-9-559

最后祝大家早日不卷!~

本文参与腾讯云自媒体同步曝光计划，分享自微信公众号。

原始发表：2023-02-11，如有侵权请联系 cloudcommunity@tencent.com 删除

analysis