转录组测序技术和结果解读(十三)——WGCNA分析

转录组测序技术和结果解读(十三)——WGCNA分析WGCNA WGCNA weighted correlation network analysis 是一款基于 R 语言的加权关联网络分析软件 可以实现将基因表达变化与表型差异的关联 从而挖掘在表型变化过程中发挥关键作用的核心基因或基因模块 moudle WGCNA 与其它类似分析软件的区别在于

大家好,我是讯享网,很高兴认识大家。

WGCNA

WGCNA (weighted correlation network analysis) 是一款基于R语言的加权关联网络分析软件,可以实现将基因表达变化与表型差异的关联,从而挖掘在表型变化过程中发挥关键作用的核心基因或基因模块 (moudle)。

WGCNA与其它类似分析软件的区别在于,其在构建基因共表达网络的过程中添加表型权重参数,同时使用无尺度聚类和动态剪切树的方式优化分类,以实现对数据准确、高效的分析。

分析的流程

WGCNA的分析原理及过程如下:

  1. 对数据进行预处理;
  2. 构建分层聚类;
  3. 将表达模式相似的基因组成模块;
  4. 研究某一个模块中相关基因的功能富集 (GO、KEGG);
  5. 计算各个模块与样本表型指标的相关性;
  6. 确定特定模块,分析其所包含基因间的相互作用网络关系;
  7. 寻找关键莫管中的关键基因。

分析要求

WGCNA基于不同样本间基因表达的相关性的构建共表达网络,因此,当样本数过低时,其相关性计算结果并不可靠,得到的共表达网络也并不准确。

进行WGCNA分析时,推荐的样本数如下:

  • 当独立样本数≥8 (非重复样本) 时,可以考虑基于Pearson相关系数的WGCNA共表达网络的方法;
  • 当样本数≥15 (可以包含生物学重复) 时,WGCNA会得到相对准确的结果。
    当样品数<8时,不建议进行该项分析。

WGCNA的分析方法对于不同材料、处理或组织样本的研究更具意义,但并不适合分析同一处理的时间序列样本。


WGCNA分析内容

基因聚类分析

首先根据所测得的基因表达水平,计算各基因之间的共表达相关系数,随后使用欧式距离对基因进行聚类并绘制基因树,这种基因树的距离符合无尺度网络,更加遵循自然规律。

对构建好的基因树采用动态剪切的方式进行修剪,并对修剪后的基因树进行融合,获得基因模块,从而将对大量基因的分析转变为对少数基因模块的分析。


讯享网

基因聚类树

表型相关性分析

引入研究所关注的表型性状进行加权分析,计算每个基因模块里所有基因与表型性状的相关性以及可信度,选择最相关和最显著的模块作为核心模块。

表型相关性

核心基因分析

在核心模块中,与其它基因关联度最高的基因即称为关键基因 (hub gene),根据核心模块内的基因共表达网络,与hub gene表达相近的基因作为核心基因。

WGCNA结果

共表达网络中的hub gene通常是转录因子等关键的调控因子,是需要优先深入分析和挖掘的对象。

在共表达网络中,如果连线一端的基因功能是已知的,那么就可以预测线条另一端的功能未知的基因也具有相似的功能。

基于以上结果,即可对发现的核心基因进行后续的实验验证其功能,同时WGCNA的分析结果可以应用Ctyoscape等软件进行可视化,从而得到漂亮的结果图。

小讯
上一篇 2025-03-24 20:54
下一篇 2025-02-24 07:04

相关推荐

版权声明:本文内容由互联网用户自发贡献,该文观点仅代表作者本人。本站仅提供信息存储空间服务,不拥有所有权,不承担相关法律责任。如发现本站有涉嫌侵权/违法违规的内容,请联系我们,一经查实,本站将立刻删除。
如需转载请保留出处:https://51itzy.com/kjqy/113353.html