WGCNA分析

🤩 WGCNA | 值得你深入学习的生信分析方法!~(网状分析-

2023-02-10  本文已影响0人  生信漫卷

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。🤒

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。😏

用到的包

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

示例数据

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

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")

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)

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labelcolors。😷

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

6.2 匹配颜色

colorslabel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)

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)

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


<center>最后祝大家早日不卷!~</center>


点个在看吧各位~ ✐.ɴɪᴄᴇ ᴅᴀʏ 〰

<center> <b>📍 往期精彩 <b> </center>

📍 <font size=1>🤩 ComplexHeatmap | 颜狗写的高颜值热图代码!</font>
📍 <font size=1>🤥 ComplexHeatmap | 你的热图注释还挤在一起看不清吗!?</font>
📍 <font size=1>🤨 Google | 谷歌翻译崩了我们怎么办!?(附完美解决方案)</font>
📍 <font size=1>🤩 scRNA-seq | 吐血整理的单细胞入门教程</font>
📍 <font size=1>🤣 NetworkD3 | 让我们一起画个动态的桑基图吧~</font>
📍 <font size=1>🤩 RColorBrewer | 再多的配色也能轻松搞定!~</font>
📍 <font size=1>🧐 rms | 批量完成你的线性回归</font>
📍 <font size=1>🤩 CMplot | 完美复刻Nature上的曼哈顿图</font>
📍 <font size=1>🤠 Network | 高颜值动态网络可视化工具</font>
📍 <font size=1>🤗 boxjitter | 完美复刻Nature上的高颜值统计图</font>
📍 <font size=1>🤫 linkET | 完美解决ggcor安装失败方案(附教程)</font>
📍 <font size=1>......</font>

本文由mdnice多平台发布

上一篇下一篇

猜你喜欢

热点阅读