出发点
源自Large-scale proteomic analysis of Alzheimer’s disease brain and cerebrospinal fluid reveals early changes in energy metabolism associated with microglia and astrocyte activation 这篇文章中的一幅图，显示如下，想做类似的分析图。
image
image
image
初步思考：
-
第一幅图（b图）基本上就是WGCNA分析结果中基因模块与性状的相关性热图。不同点在于XY轴的摆放位置、基因模块的功能注释，以及上图的热图展示时部分展示的是相关性/部分展示的是P值，但从整体上来看，是可以复制的，难度不是很大。首先针对每个基因模块进行功能富集分析，完成对基因模块的功能注释。然后构建样本和基因模块的表达矩阵（关键函数moduleEigengenes，返回值Eigengenes），接着构建样本与性状的矩阵，最后计算模块与性状的相关性。
image
-
第二幅图（c图），从图注上来看，展示的是不同分组条件下Eigenprotein value（其实就是Eigengenes值）的差异，绘制这个图也应该可以。
image
具体过程如下：
image.png
实现以上分析的重点步骤在第六步—模块与性状关联
-
相关系数只能计算对应的两列，而表达矩阵是一个表格，而非一列。方法是对一个模块里的基因表达矩阵进行主成分分析，用第一个主成分（PC1）的的指标--特征向量（ME）代表一个模块，得到模块MEs矩阵。
-
Module eigengene E: 给定模型的第一主成分，代表整个模型的基因表达谱。这个是个很巧妙的梳理，我们之前讲过PCA分析的降维作用，之前主要是拿来做可视化，现在用到这个地方，很好的用一个向量代替了一个矩阵，方便后期计算。
-
WGNCA包中moduleEigengenes()函数用于计算ME矩阵，选择每个ME的PC1来表示，函数返回值eigengenes即返回的Samples与ME-PC1的表达矩阵(如下图)。
image
这个ME矩阵加上样本的分组信息，就可以绘制如下这样的图。横坐标为分组信息，纵坐标为eigengenes值。
image
- 样本与性状之间的汇总表如下：
image
-
函数cor()和corPvalueStudent()可以计算每个模块的特征向量与性状之间的相关系数和P值，形成一个矩阵，可做热图。
-
这里需要注意的是，绘图前对每个基因模块进行功能富集分析，根据富集结果完成每个模块的功能注释。
总结：该分析过程中的关键函数如下：
MEs0 = moduleEigengenes(datExpr, moduleColors)$eigengenes #计算eigengenes值
MEs = orderMEs(MEs0)
moduleTraitCor = cor(MEs, design , use = "p") #计算相关性
moduleTraitPvalue = corPvalueStudent(moduleTraitCor, nSamples) #计算P值
本文在于思考文中图片如何重现，对WGCNA分析有了解的小伙伴，应该知道文中图b是非常常见的形式，特别的是：基因模块通过富集分析完成功能注释，可以更直观出这些性状和哪些基因模块有关，这些相关的基因模块发挥的功能又是什么！而图c是在常规WGCNA结果中不常见的，但其实它就是分析的中间过程，往往容易被忽视。
往期回顾
R绘图 | Cell-Type Enrichment分析探索
R绘图|韦恩图的常见绘制方法
R绘图|ggplot2火山图的绘制
R绘图|ggplot2散点图的绘制
R绘图|pheatmap热图绘制——基础篇
R绘图|pheatmap热图绘制——中阶篇
R绘图|pheatmap热图绘制——高阶篇
网友评论