各位医学方的朋友，大家好，我是Flyman，今天给大家分享一篇WGCNA的文章，WGCNA不可否认在样本数目较多的情况下，应用越来越多，特别是基于WGCNA进行biomarker筛选，这篇文章是17年发表在Experimental Eye Research（（IF：3.152）杂志上。
今天，我们主要从数据集的搜集与前处理、网络构建、模块识别、功能富集以及hub基因挑选5个方面来解读这篇文章。
01
数据集的搜集、前处理
这篇文章是讲述的是葡萄膜黑素瘤，数据源作者是从TCGA官网数据库上下载获得的，对于多个探针对应一个基因时，作者取的是平均表达量，接着作者使用flastClust工具进行样本聚类分析。
02
加权基因共表达网络的构建
作者并没有筛选差异表达，而是对所有的基因进行网络构建，基于TCGA数据库，作者首先需要筛选一个合适的power值，作者从pwer1-20之间选择了最合适的一个power=6，并设置了最小的module的基因数目为40，一般情况下默认为30，所以大家可以根据自己的结果好坏进行设置，只需要文章中写明即可。
接着作者选择了合适的β值为6，进行下一步研究分析，一共识别出21个模块
0 3
识别临床特征显著相关的模块及功能分析
作者选择了年龄，性别，stage，TNM分期，生存状态，生存时间等临床因素用于模块的构建和识别，作者重点关注了生存状态，癌症复发与否，复发时间因素，发现存在四个模块与之关联性最高分别是红色，紫色，绿色以及品红色模块关联度最高，同时绘制了这四个模块的散点图，结果如下：
0 4
功能富集分析
作者接着对这四个模块进行了富集分析，发现绿色模块参与到cell projection，neurological system process等，品红模块主要参与到基因合成组装的过程，紫色模块主要参与到tissue homeostasis，红色模块主要参与到metastasis of cell等，如下：
0 5
模块可视化及hub gene筛选
作者借助Cytoscape软件进行网络可视化，作者不是采用传统的MM和GS来筛选hub gene 而是采用内部连通性的概念来筛选，通过计算每一个基因的连通性的综合，按着值从高到低排序，连通性越高的基因则为hub gene来进行筛选：
至此整篇文章就结束了，最后我们总结一下这篇文章的流程如下：
这篇文章思路非常清晰，大家是不是看的有点小激动？那就赶快去试一下吧！另外，我们医学方也推出了关于WGCNA的课程，欢迎大家关注学习。
- 本文固定链接: https://maimengkong.com/zu/925.html
- 转载请注明: : 萌小白 2022年5月18日 于 卖萌控的博客 发表
- 百度已收录
