G008 Weighted Gene Co-expression Network Analysis (WGCNA)加权基因网络表达分析

service

基因表达列表

加权基因网络表达分析需要多个样品的数据，从而对基因在多样品中的表达规律进行总结，所以对样品数有一定的要求(>10)。

多样品表达列表如下：

加权基因网络构建

此部分包括两步：

1. 基因表达数据过滤。满足以下条件的基因或样品会被过滤：a. 所有样品中表达量为零的基因; b. 一个样品中>50%的基因表达量为零；c. 数据标为NA的，会采用邻近法进行数据补足。
2. 选择正确的参数进行加权网络构建；

数据过滤后，对每一个样品的基因表达普进行聚类，查看各个样品的差异性：

加权网络构建的参数图，当所构建的网络符合powerlaw分布的时候，参数最为合适；从右图中，可以看到选择不一样的参数，节点的度的平均数：

基因网络modular的检测

依据已经构建好的加权基因网络，用层次聚类算法对所有基因进行聚类，并计算每一个类对于每一个表型的关联重要性。

不同的颜色表示不一样的modular，聚类结果表示不同modular间的距离，检测结果如下图：
（加一个modular检测的图）

每一个modular对每一个表型的贡献是不一样的，通过分析加权网络聚类与表型的关联性，通过基因的共有性，可以计算modular与每一个表型间的关联显著性（p-value）。

基因网络module的功能注释

采用超几何检验对每一个modular的基因进行功能富集分析，用多重检验较正pvalue。

(加一个top5 modular的GO柱形图)

功能富集结果： gene_enrichment.xlsx

全局网络的heatmap和局部网络的heatmap

我们的网络分析采用两种方法对网络进行可视化：

1. heatmap聚类分析图
2. 网络图

通过heatmap聚类图可以查看整体网络，并查看相互关系紧密的基因modular。如下图所示，横轴和纵轴不同的颜色表示不同的modular，树型图表示不同的modular间的距离，图内的颜色越深表示相互作用越强。

同样，对于每一个modular，我们可以进行同样的分析，一方面通过聚类图查看整体的相互作用，另一方面通过网络图直接查看相关基因的相互作用。

每一个modular对每一个表型的关系。

Cytoscape输出：

1.
2.
3.

参考文献

1. Langfelder P, Horvath S (2008) WGCNA: an R package for weighted correlation network analysis. BMC Bioinformatics 2008, 9:559
2. Miller JA, Cai C, Langfelder P, Geschwind DH, Kurian SM, Salomon DR, Horvath S (2011) Strategies for aggregating gene expression data: The collapseRows R function. BMC Bioinformatics 12:322.
3. Storey JD and Tibshirani R. (2003) Statistical significance for genome-wide experiments. Proceedings of the National Academy of Sciences, 100: 9440-9445.