WGCNA 簡明指南|2. 模塊與性狀關(guān)聯(lián)分析并識別重要基因

WGCNA 系列

WGCNA 簡明指南|1. 基因共表達網(wǎng)絡(luò)構(gòu)建及模塊識別

---

• WGCNA 系列

• 參考

• 關(guān)聯(lián)模塊與臨床特征

  • 量化module-trait(模塊-特征)關(guān)系

  • 基因與性狀和重要模塊的關(guān)系：基因重要性和模塊成員

  • 模塊內(nèi)分析:鑒定高GS和MM基因

  • 網(wǎng)絡(luò)分析結(jié)果匯總輸出

• 模塊基因富集分析

• 往期

參考

本文主要參考官方指南Tutorials for WGCNA R package (ucla.edu)，詳細內(nèi)容可參閱官方文檔。

其它資料：

WGCNA - 文集 - 簡書 (jianshu.com)

WGCNA分析，簡單全面的最新教程 - 簡書 (jianshu.com)

WGCNA：（加權(quán)共表達網(wǎng)絡(luò)分析）_bioprogrammer-CSDN博客

WGCNA如何從module中挖掘關(guān)鍵基因_廬州月光的博客-CSDN博客

關(guān)聯(lián)模塊與臨床特征

如果前面沒保存再跑一遍WGCNA 簡明指南|1. 基因共表達網(wǎng)絡(luò)構(gòu)建及模塊識別以得到本次分析需要的數(shù)據(jù)。

量化module-trait(模塊-特征)關(guān)系

在這個分析中，我們希望識別與臨床特征顯著相關(guān)的模塊。由于我們已經(jīng)有了每個模塊的特征基因，我們簡單地將特征基因與臨床特征關(guān)聯(lián)起來，并尋找最顯著的關(guān)聯(lián)。

Module eigengene?

Module eigengene is defined as the first principal component of the expression matrix of the corresponding module.

#?導入之前的數(shù)據(jù)(也可以重新跑一遍上一期的內(nèi)容) lnames?=load(file="FemaleLiver-02-networkConstruction-auto.RData"); lnames #?明確基因和樣本數(shù) nGenes?=ncol(datExpr); nSamples?=nrow(datExpr); #?用顏色標簽重新計算MEs #?按照模塊計算每個module的MEs（也就是該模塊的第一主成分） MEs0?=?moduleEigengenes(datExpr,?moduleColors)$eigengenes #?對給定的(特征)向量重新排序，使相似的向量(通過相關(guān)性測量)彼此相鄰。 MEs?=?orderMEs(MEs0) #?計算基因模塊MEs?與?臨床特征的相關(guān)性以及p值 #?use?給出在缺少值時計算協(xié)方差的方法? moduleTraitCor?=cor(MEs,?datTraits,?use?="p"); moduleTraitPvalue?=?corPvalueStudent(moduleTraitCor,?nSamples)

可視化

#?如需保存 #?pdf("Module-trait?associations.pdf",width?=?8,?height=10) par(mar?=c(6,?8.5,?3,?3)); #?通過熱圖顯示相關(guān)性 labeledHeatmap(Matrix?=?moduleTraitCor,xLabels?=names(datTraits),yLabels?=names(MEs),ySymbols?=names(MEs),colorLabels?=?FALSE,colors=?greenWhiteRed(50),textMatrix?=?textMatrix,setStdMargins?=?FALSE,cex.text=?0.5,zlim?=c(-1,1),main?=paste("Module-traitrelationships"))#?dev.off()圖1:模塊-特征關(guān)聯(lián)。每一行對應(yīng)一個模塊特征基因，每一列對應(yīng)一個性狀。每個單元格包含相應(yīng)的相關(guān)性和p值。根據(jù)顏色圖例，該表通過相關(guān)性進行顏色編碼

基因與性狀和重要模塊的關(guān)系：基因重要性和模塊成員

Module Membership簡稱MM, 將該基因的表達量與module的第一主成分，即module eigengene進行相關(guān)性分析就可以得到MM值，所以MM值本質(zhì)上是一個相關(guān)系數(shù)，如果基因和某個module的MM值為0，說明二者根本不相關(guān)，該基因不屬于這個module; 如果MM的絕對值接近1，說明基因與該module相關(guān)性很高。

Gene Significance簡稱GS, 將該基因的表達量與對應(yīng)的表型數(shù)值進行相關(guān)性分析，最終的相關(guān)系數(shù)的值就是GS, GS反映出基因表達量與表型數(shù)據(jù)的相關(guān)性。

#?以特征變量weight?為例 weight?=as.data.frame(datTraits$weight_g); names(weight)?="weight" #?命名模塊 modNames?=substring(names(MEs),?3) geneModuleMembership?=as.data.frame(cor(datExpr,?MEs,?use?="p")); MMPvalue?=as.data.frame(corPvalueStudent(as.matrix(geneModuleMembership),?nSamples)); names(geneModuleMembership)?=paste("MM",?modNames,?sep=""); names(MMPvalue)?=paste("p.MM",?modNames,?sep=""); geneTraitSignificance?=as.data.frame(cor(datExpr,?weight,?use?="p")); GSPvalue?=as.data.frame(corPvalueStudent(as.matrix(geneTraitSignificance),?nSamples)); names(geneTraitSignificance)?=paste("GS.",names(weight),?sep=""); names(GSPvalue)?=paste("p.GS.",names(weight),?sep="");

模塊內(nèi)分析:鑒定高GS和MM基因

在感興趣的基因模塊中，篩選出高GS和MM的基因。在圖1中可以看到，與性狀weight_g相關(guān)性最高的基因模塊是MEbrown，因此選擇MEbrown進行后續(xù)分析，繪制brown模塊中GS和MM的散點圖。

module?="brown" column?=match(module,?modNames); moduleGenes?=?moduleColors==module; sizeGrWindow(7,?7); par(mfrow?=c(1,1)); verboseScatterplot(abs(geneModuleMembership[moduleGenes,?column]),abs(geneTraitSignificance[moduleGenes,?1]),xlab?=paste("ModuleMembershipin",?module,"module"),ylab?="Genesignificanceforbodyweight",main?=paste("Modulemembershipvs.genesignificance\n"),cex.main?=?1.2,?cex.lab?=?1.2,?cex.axis=?1.2,col=?module)圖2:棕色模塊中weight與模塊成員(MM)的基因顯著性(GS)散點圖。在這個模塊中，GS和MM之間存在極顯著的相關(guān)性

如圖2所示，GS和MM是高度相關(guān)的，這說明與一個性狀高度相關(guān)的基因往往也是與該性狀相關(guān)的模塊中最重要的(中心)元素。

網(wǎng)絡(luò)分析結(jié)果匯總輸出

我們已經(jīng)找到了與我們的興趣特征高度相關(guān)的模塊，并通過MM確定了它們的核心參與者?，F(xiàn)在，我們將這些統(tǒng)計信息與基因注釋合并并導出。

names(datExpr) #?返回brown模塊中所有ID names(datExpr)[moduleColors=="brown"] #?導入注釋文件 annot?=?read.csv(file?=?"GeneAnnotation.csv"); dim(annot) names(annot) probes?=?names(datExpr) probes2annot?=?match(probes,?annot$substanceBXH) #?統(tǒng)計沒有注釋到的基因 sum(is.na(probes2annot)) #?創(chuàng)建數(shù)據(jù)集，包含探測ID?， geneInfo0?=?data.frame(substanceBXH?=?probes,?geneSymbol?=?annot$gene_symbol[probes2annot],?LocusLinkID?=?annot$LocusLinkID[probes2annot],?moduleColor?=?moduleColors,?geneTraitSignificance,?GSPvalue) #?通過顯著性對模塊進行排序 modOrder?=?order(-abs(cor(MEs,?weight,?use?=?"p"))) #?添加模塊成員 for?(mod?in?1:ncol(geneModuleMembership)) {oldNames?=?names(geneInfo0)geneInfo0?=?data.frame(geneInfo0,?geneModuleMembership[,?modOrder[mod]],MMPvalue[,?modOrder[mod]]);names(geneInfo0)?=?c(oldNames,?paste("MM.",?modNames[modOrder[mod]],?sep=""),paste("p.MM.",?modNames[modOrder[mod]],?sep="")) } #?對基因進行排序 geneOrder?=?order(geneInfo0$moduleColor,?abs(geneInfo0$GS.weight)) geneInfo?=?geneInfo0[geneOrder,?] #?導出 write.csv(geneInfo,?file?=?"geneInfo.csv")

模塊基因富集分析

批量導出模塊基因后，使用在線網(wǎng)站或者R包clusterProfiler進行富集分析。

#?Get?the?corresponding?Locuis?Link?IDs allLLIDs?=?annot$LocusLinkID[probes2annot]; #?選擇感興趣的模塊 intModules?=?c("brown",?"red",?"salmon") for?(module?in?intModules) {#?模塊探針modGenes?=?(moduleColors==module)#?得到?entrez?ID?modLLIDs?=?allLLIDs[modGenes];#?導出fileName?=?paste("LocusLinkIDs-",?module,?".txt",?sep="");write.table(as.data.frame(modLLIDs),?file?=?fileName,row.names?=?FALSE,?col.names?=?FALSE) }

往期

跟著Nature學作圖 | 配對啞鈴圖+分組擬合曲線+分類變量熱圖

(免費教程+代碼領(lǐng)取)|跟著Cell學作圖系列合集

跟著Nat Commun學作圖 | 1.批量箱線圖+散點+差異分析

跟著Nat Commun學作圖 | 2.時間線圖

跟著Nat Commun學作圖 | 3.物種豐度堆積柱狀圖

跟著Nat Commun學作圖 | 4.配對箱線圖+差異分析

---

總結(jié)

以上是生活随笔為你收集整理的WGCNA 简明指南|2. 模块与性状关联分析并识别重要基因的全部內(nèi)容，希望文章能夠幫你解決所遇到的問題。

如果覺得生活随笔網(wǎng)站內(nèi)容還不錯，歡迎將生活随笔推薦給好友。