WGCNA得到两个矩阵，一个是样本和epigene，另一个是样本和性状，也就是下面这两幅图

这两幅图有没有继续裂变的可能，或者变换的可能。

变换样本和epigene

epigene最初是通过纳入基因进行相关性（聚类）进行分析得到，那么能够变化的也就是，可以通过控制纳入基因的情况进行变化，可以是通过纳入特定的基因集，或者与某个特征相关的基因。

其实按照WGCNA的算法初衷，能够纳入的基因应该是尽可能的多，能够保证纳入的全面，但是可以在这个基础上进行变换。

变换样本和性状矩阵

两个矩阵连接点是有共同的样本，这个是不变的。思维和格局打开后，可以发现，性状是一个很大的概念，可以是我们常规想到的临床数据，只要是数值型数据就可以。

像这些都是以临床指标作为表型数据进行研究的WGCNA应用。30多分的文章照样使用这些基本操作，但是要说明的是这篇文章后面还有相应的变化。

用免疫细胞的浸润指标数值

把免疫细胞浸润指标当作是表型指标，将免疫细胞的数据当作是数值型数据，那么同样可以找到和免疫细胞最相关的模块组

用某一个基因的数据

还是刚才的那篇30+的文章，这里使用WGCNA求取与基因的相关性模块，真的是好东西不怕翻来覆去的用。

可以是某一个亚型的分组

通过相应的算法，得到了新的亚型分组，那么这个时候，要探究亚型分组的意义和重要基因，也可以使用WGCNA进行深入挖掘。
例如这样的

实验的某一个处理方式

实验过程中，有很多处理样本的方式，然后我们就可以得到与处理方式相关的前后对比，从而得到与这些表型相关的基因组。
例如这样的

热门的分析点

单核苷酸突变，自噬相关基因，铁死亡、铜死亡相关的marker，突变负荷，等等一些能够想到的可以进行数值型转换的

更广阔的拓展

这个也是在果子学生信得到的启发。如果我们能够可以添加任意gene set经过ssGSEA量化后的结果，类似于GSVA的结果。这样，我们就能放手去探索任意一个通路和模块的相关性了。

这个就厉害了，把好几个看似割裂的技能进行了整合，形成了有机结合。
法无定法，贵在得法，工具是一种方式，但是怎么使用，就是真正体现思维的美妙之处了。