WGCNA的原理如果不掌握的話，就很難在做WGCNA分析的過程中，利用手中的代碼去修改參數(shù)，就無法得到滿意的圖圖。所以，下面放幾篇文獻中的WGCNA的流程圖，供參考
<img src="../../Library/Application Support/typora-user-images/image-20191121211313666.png" alt="image-20191121211313666" style="zoom: 50%;" />
<img src="../../Library/Application Support/typora-user-images/image-20191121211330496.png" alt="image-20191121211330496" style="zoom:50%;" />
<img src="../../Library/Application Support/typora-user-images/image-20191121211340735.png" alt="image-20191121211340735" style="zoom:50%;" />
<img src="../../Library/Application Support/typora-user-images/image-20191121211349820.png" alt="image-20191121211349820" style="zoom: 67%;" />
然后放上參考鏈接
下面是網(wǎng)易云課堂的視頻中圖片+自己注釋理解
下面視頻中WGCNA基礎的理解
WGCNA基本理論參考：
對應開發(fā)的R包：https://horvath.genetics.ucla.edu/html/CoexpressionNetwork/Rpackages/WGCNA/Tutorials/
通過學習，關注模塊基因的功能，而不是單一基因的功能，將結果進行可視化并且和形狀數(shù)據(jù)進行聯(lián)合分析，挖掘基因模塊和形狀之間存在的練習
- 得到關系矩陣后要將關系矩陣轉為鄰接矩陣，建立鄰接矩陣的目的就是建立一個基因共表達網(wǎng)絡
- 網(wǎng)絡可以用矩陣表示，用一維數(shù)組存儲網(wǎng)絡中所有的點，用二維數(shù)組存儲網(wǎng)絡中點和點之間的關系（兩個點和點直接的連線）
未加權網(wǎng)絡的點只存在0和1的關系，所能反應的信息較少，不能反映點和點之間關系的強弱
加權網(wǎng)絡：點和點之間的聯(lián)系不在僅僅是0和1，而是一個連續(xù)的數(shù)值，數(shù)值大小對應邊的權重值，可以反映點和點之間的強弱程度
-
轉換成未加權網(wǎng)絡的鄰接矩陣，以0.8的為界，但是會丟失很多數(shù)據(jù)，形成的網(wǎng)絡只反映基因與基因直接是否存在關聯(lián)，有關聯(lián)為1，無關聯(lián)為0，不能反映基因和基因之前聯(lián)系的強弱
image-20190904075914047 ? 轉換成加權網(wǎng)絡，將關系矩陣進行冪運算，冪指數(shù)定為的數(shù)，要使共表達網(wǎng)絡滿足無尺度網(wǎng)絡
無尺度網(wǎng)絡中，連通性高的點占的數(shù)值很少，二連通性低的點占的數(shù)值很大，如上圖中，顯示不同聯(lián)通性的點在網(wǎng)絡中所占的頻數(shù)
在未加權網(wǎng)絡中，達到連接數(shù)為i的概率p（i）與i的n次方成反比就是無尺度網(wǎng)絡
在加權網(wǎng)絡中，標準為log10(p(k)) versus log10(k) 負相關，k對應的是加強網(wǎng)絡中點的連通性
用貝塔值在0 和30之間，分別計算log10(p(k))和log10(k) ，計算后的結果進行擬合，判斷哪個貝塔值更滿足這一log10(p(k)) versus log10(k) 負相關這一標準
要求擬合指數(shù)R2值(SFT.R.sq)大于0.8，回歸線的斜率要求在-1左右，平均聯(lián)通性mean.k要求盡量大，對應的數(shù)據(jù)可以繪制出右邊的散點圖
右一圖可以看到不同的貝塔值對應的擬合指數(shù)的大小，繪制的紅線可以幫助判斷那個擬合指數(shù)R2值對應的power也就是貝塔值大于0.9，也可以繪制在0.8或0.5的位置
右二圖，看貝塔值和聯(lián)通性，更有助于發(fā)現(xiàn)hub基因
如上圖所示，貝塔值選擇6時，R2指數(shù)更接近無尺度網(wǎng)絡（生物學中大多是無尺度網(wǎng)絡），最終選擇6
確定了貝塔值之后，就可以將關系矩陣轉化為鄰近矩陣，接下來就可以轉換為tom重疊矩陣。為什么要轉換為tom矩陣？是因為在wgcna中，認為模塊是tom重疊性基因高的基因，所以需要計算基因和基因之間的tom重疊性，從而判斷哪些基因應該屬于同一個模塊，哪些基因不在同一個模塊。
具體的轉換公式為：通過下面這個公式可以計算基因和基因之間的tom重疊性，將鄰接矩陣轉換為tom重疊矩陣。
用tom相異程度進行聚類的時候，可以得到如下圖
建立基因模塊后，可以將模塊用顏色來區(qū)分，有些模塊相似性高，就需要將模塊合并。將模塊特征基因進行聚類，在完成聚類后合并，0.25高度對應的相似度閾值就是0.75。具體的相似性閾值可以自行設置，進行聚類剪切后，就可以區(qū)分哪些模塊相似性高，哪些模塊相似性低，如下圖。
接下來，可以計算基因模塊和形狀的相關性
上圖中，右邊標尺越紅表示正相關性越高，越綠表示負相關性越高
，從圖中可以看出哪些形狀和哪些模塊相關性比較高，可進一步分析
將GS和MM進行繪圖如下
可以知道，上面藍框圈住的那個地方的基因，對性狀影響比較大，同時MM值也比較大。同時可以對前面的紅色箭頭的weight來進行驗證。
此外還有如下圖的可視化展示
還可以將模塊特征基因進行可視化-模塊特征基因的聚類樹及繪制模塊特征基因相關性的熱圖，如下圖
第三方軟件，可以依據(jù)weight值的大小進行篩選，從而繪制出不同網(wǎng)絡圖
第三列對應的是tom重疊性
weight值越高，篩選出的相互關系越少，反正越多。
可以通過連線的多少來判斷是否為Hub基因。
對Hub基因和感興趣基因，可以進行KEGG、GO富集分析，但要有對應的注釋R包。
完成啦
