细腻小白上一节我分享了学习 WGCNA的第一部分，主要介绍了WGCNA以及第一部分的数据预处理。今天我将继续学习学WGCNA的第二部分，即数据的处理，并介绍解读代码。
首先，读取数据。（回顾一下，这是另一个数据的“长相”）
allTraits = read.csv("D:/practice/test/clin_data.csv")
datTraits = allTraits[match(rownames(datExpr),allTraits$flavor_name),]
rownames(datTraits) = datTraits[,1]
datTraits = datTraits[,-1]
1. 读取数据；
2. 将这个数据和上一个数据表，按照flavor_name匹配在一起，方便后面的处理；
3. 第一列作为行名；
4. 把多出的重复的第一列去掉。
已经删去不需要的部分，再次聚类检查数据。
sampleTree2 = hclust(dist(datExpr), method = "average")
traitColors = numbers2colors(datTraits, signed = FALSE)
#pdf(file = 'D:/practice/test/re_clust.pdf',width = 12,height = 8)
plotDendroAndColors(sampleTree2,traitColors,groupLabels = names(datTraits),main='Sample dendrogram and trait heatmap')
#dev.off()
1. 使用平均的算法对样本聚类；
2. 定义出将要绘制热图中的颜色分组；
3. 绘制出聚类热图，检查样本的分组信息；
4. #根据自己需要，使用pdf的函数。
绘制出样本聚类图以及临床特征热图
图如下，上半部分就是样本的聚类图，标注为样本名；下半部分为临床数据特征热图。
对数据完成了基本的处理，我们就准备开始仔细分析。
在分析前，我还是想要简单讲一下WGCNA的weighted部分！！加权，给了这个网络一个权重，这个权重是什么？原理是什么？
（不会太难的，都是用白话和自己的理解，希望看完你们也有自己的理解，欢迎讨论）
加权是指对相关性值（也就是网络的边）进行幂运算，幂次的值就是软阈值 （这里是指，这个边界值/阈值是可以根据计算的结果来调整的，不是硬要求）。
无向网络的边属性计算方式为 abs(cor(geneX, geneY)) ^ power。
这种处理方式强化了强相关，弱化了弱相关或负相关，使得相关性数值更符合无标度网络特征，更具有生物意义。如果没有合适的阈值power，一般是由于部分样品与其它样品因为某种原因差别太大导致的，可根据具体问题移除部分样品或查看后面的经验值。这也是我们前面为何搞了那么多步的数据检查。
所以，看了上面这一段，也就明白了加权从何而来，以及我们接下来要进行的步骤。
把软阈值/幂的值确定下来
powers=c(c(1:10),seq(from = 12, to = 20, by = 2))
sft = pickSoftThreshold(datExpr, powerVector = powers, verbose = 5)
设置阈值向量，并且使用网络拓扑分析函数
sizeGrWindow(9, 5)
par(mfrow = c(1,2))
cex1 = 0.9
#pdf(file = 'D:/practice/test/power.pdf',width = 12,height = 8)
plot(sft$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$fitIndices[,2],
labels=powers,cex=cex1,col="red")
abline(h=0.90,col="red")
软阈值β与无尺度网络评价系数的关系
（说成“人话”，就是不同软阈值出来的网络是不一样，由此会影响网络的评价系数/评估网络的系数）
plot(sft$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")
#dev.off()
软阈值β与平局连通性的关系
（连通性就是网络的边，探讨的就是软阈值对网络边的影响）
绘制出的结果如下图
从左图中可以看到，6开始出现一个明显地变平缓的趋势，所以暂定软阈值为6；再观察右边的图，可以发现在6、7左右出现一个显然的斜率（看绝对值）变小的趋势。因此评估出来，6是一个拐点处，即选择作为软阈值/幂次的值。
到此为止，我们的所有前期工作就完成了。
下一期，我们将彻底结束剩余的分析部分。
每周进步一点点，如果你有任何的建议和疑问，都欢迎你积极地提出，我们会尽全力改进和回答的~~~
（完）
联系我们
官方网页 ：https://www.yiqishiyan.com/index
咨询客服 ：Yqsyw12345 (微信号)
网友评论