看文獻(xiàn)看到這個(gè)技術(shù)，來詳細(xì)了解一下，還是申明這也只是我的學(xué)習(xí)筆記
參考的主要教程：https://cloud.tencent.com/developer/article/1516749
這個(gè)教程寫的很好了，詳細(xì)且系統(tǒng)，很適合我們這種小白來看。

原理概念的了解

WGCNA其譯為加權(quán)基因共表達(dá)網(wǎng)絡(luò)分析，該分析方法旨在尋找協(xié)同表達(dá)的基因模塊(module)，并探索基因網(wǎng)絡(luò)與關(guān)注的表型之間的關(guān)聯(lián)關(guān)系，以及網(wǎng)絡(luò)中的核心基因。

從方法上來講，WGCNA分為表達(dá)量聚類分析和表型關(guān)聯(lián)兩部分，主要包括基因之間相關(guān)系數(shù)計(jì)算、基因模塊的確定、共表達(dá)網(wǎng)絡(luò)、模塊與性狀關(guān)聯(lián)四個(gè)步驟。

第一步計(jì)算任意兩個(gè)基因之間的相關(guān)系數(shù)（Person Coefficient）。為了衡量?jī)蓚€(gè)基因是否具有相似表達(dá)模式，一般需要設(shè)置閾值來篩選，高于閾值的則認(rèn)為是相似的。但是這樣如果將閾值設(shè)為0.8，那么很難說明0.8和0.79兩個(gè)是有顯著差別的。因此，WGCNA分析時(shí)采用相關(guān)系數(shù)加權(quán)值，即對(duì)基因相關(guān)系數(shù)取N次冪，使得網(wǎng)絡(luò)中的基因之間的連接服從無尺度網(wǎng)絡(luò)分布(scale-freenetworks)，這種算法更具生物學(xué)意義。

第二步通過基因之間的相關(guān)系數(shù)構(gòu)建分層聚類樹，聚類樹的不同分支代表不同的基因模塊，不同顏色代表不同的模塊?；诨虻募訖?quán)相關(guān)系數(shù)，將基因按照表達(dá)模式進(jìn)行分類，將模式相似的基因歸為一個(gè)模塊。這樣就可以將幾萬個(gè)基因通過基因表達(dá)模式被分成了幾十個(gè)模塊，是一個(gè)提取歸納信息的過程。

基因之間不僅僅是相關(guān)與否，還記錄著它們的相關(guān)性數(shù)值，數(shù)值就是基因之間的聯(lián)系的權(quán)重(相關(guān)性)。

模塊(module)：表達(dá)模式相似的基因分為一類，這樣的一類基因成為模塊；

Eigengene（eigen + gene）：基因和樣本構(gòu)成的矩陣

Adjacency Matrix
鄰近矩陣：是圖的一種存儲(chǔ)形式，用一個(gè)一維數(shù)組存放圖中所有頂點(diǎn)數(shù)據(jù)；用一個(gè)二維數(shù)組存放頂點(diǎn)間關(guān)系（邊或?。┑臄?shù)據(jù)，這個(gè)二維數(shù)組稱為鄰接矩陣；在WGCNA分析里面指的是基因與基因之間的相關(guān)性系數(shù)矩陣。 如果用了閾值來判斷基因相關(guān)與否，那么這個(gè)鄰近矩陣就是0/1矩陣，只記錄基因相關(guān)與否。但是WGCNA沒有用閾值來卡基因的相關(guān)性，而是記錄了所有基因之間的相關(guān)性。

Topological Overlap Matrix (TOM)
WGNA認(rèn)為基因之間的簡(jiǎn)單的相關(guān)性不足以計(jì)算共表達(dá)，所以它利用上面的鄰近矩陣，又計(jì)算了一個(gè)新的鄰近矩陣。一般來說，TOM就是WGCNA分析的最終結(jié)果，后續(xù)的只是對(duì)TOM的下游注釋。

下游分析

得到模塊之后的分析有：
1.模塊的功能富集
2.模塊與性狀之間的相關(guān)性
3.模塊與樣本間的相關(guān)系數(shù)
挖掘模塊的關(guān)鍵信息：
1.找到模塊的核心基因
2.利用關(guān)系預(yù)測(cè)基因功能

教程中后面有詳細(xì)的代碼去做的圖，一直到cytoscape之前的部分都有，需要的可以查看原教程。