這篇文章主要介紹“WGCNA怎么挖掘潛在的共表達(dá)基因”，在日常操作中，相信很多人在WGCNA怎么挖掘潛在的共表達(dá)基因問(wèn)題上存在疑惑，小編查閱了各式資料，整理出簡(jiǎn)單好用的操作方法，希望對(duì)大家解答”WGCNA怎么挖掘潛在的共表達(dá)基因”的疑惑有所幫助！接下來(lái)，請(qǐng)跟著小編一起來(lái)學(xué)習(xí)吧！

成都創(chuàng)新互聯(lián)專業(yè)為企業(yè)提供天元網(wǎng)站建設(shè)、天元做網(wǎng)站、天元網(wǎng)站設(shè)計(jì)、天元網(wǎng)站制作等企業(yè)網(wǎng)站建設(shè)、網(wǎng)頁(yè)設(shè)計(jì)與制作、天元企業(yè)網(wǎng)站模板建站服務(wù)，10年天元做網(wǎng)站經(jīng)驗(yàn)，不只是建網(wǎng)站，更提供有價(jià)值的思路和整體網(wǎng)絡(luò)服務(wù)。

共表達(dá)基因指的是表達(dá)量具有協(xié)同變化趨勢(shì)的基因集合，通常認(rèn)為這些基因參與相同的生物學(xué)過(guò)程，比如參與同一個(gè)代謝通路，正是由于功能上的協(xié)同作用，導(dǎo)致表達(dá)量呈現(xiàn)出高度相關(guān)性。

在WGCNA中，對(duì)傳統(tǒng)的相關(guān)系數(shù)進(jìn)行乘方運(yùn)算，用最終得到的值來(lái)表征基因間的相關(guān)性。在計(jì)算出這樣的相關(guān)性統(tǒng)計(jì)量值之后，如何確定哪些基因是共表達(dá)的呢？

WGCNA的做法是聚類分析，聚類分析屬于一種非監(jiān)督的機(jī)器學(xué)習(xí)算法，通過(guò)聚類樹(shù)，可以觀察到哪些基因在聚類樹(shù)中屬于同一分支，屬于同一分支的基因可以歸為一類。實(shí)際操作中，考慮到基因數(shù)目較多等情況，肯定需要算法來(lái)自動(dòng)化的進(jìn)行分類，WGCNA采用的是dynamicTreeCut這個(gè)R包。

對(duì)于聚類算法而言，需要輸入基因間的距離矩陣，首先就需要將基因間的鄰接矩陣轉(zhuǎn)換為距離矩陣，對(duì)相關(guān)系數(shù)進(jìn)行乘方運(yùn)算，可以計(jì)算出鄰接矩陣，但是這個(gè)值本質(zhì)上反映的是基因間的相似度，并不是距離。在計(jì)算距離矩陣時(shí)，WGCNA采用了TOM這種統(tǒng)計(jì)量，該統(tǒng)計(jì)量可以表征網(wǎng)絡(luò)中節(jié)點(diǎn)的相似性，計(jì)算公式如下

對(duì)于兩個(gè)基因i和j而言，a表示兩個(gè)基因鄰接矩陣中對(duì)應(yīng)的值，就是相關(guān)系數(shù)的乘方，K代表的每個(gè)基因的連接度， 公式如下

對(duì)于加權(quán)網(wǎng)絡(luò)而言，就是該節(jié)點(diǎn)的邊對(duì)應(yīng)數(shù)值的總和，比如在網(wǎng)絡(luò)中基因A與3個(gè)基因相連，基因A的連接度就是對(duì)應(yīng)3條邊的數(shù)值之和。兩個(gè)基因間的l值代表的是兩個(gè)基因所有邊的權(quán)重乘積的總和，公式如下

公式只是幫助我們理解計(jì)算的過(guò)程，其實(shí)只需要理解TOM是表征節(jié)點(diǎn)的相似度就行，我們要的是距離，所以直接用1減去相似度即可，公式如下

借助TOM值，將基因間的相關(guān)系數(shù)轉(zhuǎn)換為了距離，然后就可以用該距離矩陣進(jìn)行聚類。上述的計(jì)算方法在WGCNA中都有對(duì)應(yīng)的公式，代碼如下

# 確定乘方運(yùn)算中power的最佳取值
powers <- c(c(1:10), seq(from = 12, to=20, by=2))

sft <- pickSoftThreshold(
datExpr,
powerVector = powers,
verbose = 5)

softPower <- sft$powerEstimate

#  計(jì)算鄰接矩陣
adjacency <- adjacency(datExpr, power = softPower)

# 計(jì)算TOM相似度矩陣
TOM <- TOMsimilarity(adjacency)

# 計(jì)算距離矩陣
dissTOM <- 1-TOM

# 聚類
geneTree <- hclust(as.dist(dissTOM), method = "average")

根據(jù)聚類結(jié)果和距離矩陣，就可以調(diào)用dynamicTreeCut的算法來(lái)識(shí)別modules, 代碼如下

# 指定每個(gè)module中基因數(shù)目的最小值
minModuleSize <- 30

# 識(shí)別modules
dynamicMods <- cutreeDynamic(
dendro = geneTree,
distM = dissTOM,
deepSplit = 2,
pamRespectsDendro = FALSE,
minClusterSize = minModuleSize)

通過(guò)table函數(shù)可以查看modules的結(jié)果，用法如下

> table(dynamicMods)
dynamicMods
  0   1   2   3   4   5   6   7   8   9  10  11  12  13  14  15  16  17  18  19
88 614 316 311 257 235 225 212 158 153 121 106 102 100  94  91  78  76  65  58
20  21  22
58  48  34

可以看到，識(shí)別出22個(gè)modules, 0代表那些沒(méi)有歸入任何modules的基因。通過(guò)plotDendroAndColors函數(shù)可視化聚類樹(shù)對(duì)應(yīng)的modules, 代碼如下

dynamicColors = labels2colors(dynamicMods)
plotDendroAndColors(
geneTree,
dynamicColors,
"Dynamic Tree Cut",
dendroLabels = FALSE, hang = 0.03,
addGuide = TRUE,
guideHang = 0.05,
main = "Gene dendrogram and module colors")

生成的圖片如下

整個(gè)圖片分為兩個(gè)部分，上方為基因的聚類樹(shù)，下方為識(shí)別到的modules， 不同的modules對(duì)應(yīng)不同的顏色，其中灰色對(duì)應(yīng)那些沒(méi)有歸入任何modules的基因。

通過(guò)dynamicTreeCut識(shí)別到modules之后，還會(huì)結(jié)合每個(gè)modules的基因表達(dá)量數(shù)據(jù)，來(lái)識(shí)別相關(guān)性很高的modules, 從而進(jìn)行合并，其原理是對(duì)modules進(jìn)行聚類，每個(gè)module下的基因表達(dá)量是一個(gè)二維矩陣，做相關(guān)性分析我們只需要一個(gè)一維向量就可以了，可以利用PCA分析提取第一主成分來(lái)表征原始的矩陣，在WGCNA中，把每個(gè)module的表達(dá)譜數(shù)據(jù)對(duì)應(yīng)的一維向量稱之為Module eigengene E。獲取一維向量之后，就可以計(jì)算相關(guān)性，直接用1減去相關(guān)性作為距離，進(jìn)行聚類，代碼如下

MEList <- moduleEigengenes(
  datExpr, 
   colors = dynamicColors)
MEs <- MEList$eigengenes
MEDiss <- 1-cor(MEs)
METree <- hclust(as.dist(MEDiss), method = "average")
plot(METree,
main = "Clustering of module eigengenes",
xlab = "", sub = "")

modules的聚類樹(shù)示意如下

每個(gè)modules的名字用對(duì)應(yīng)的顏色表示，在該聚類數(shù)中，分支長(zhǎng)度為1減去兩個(gè)module間的相關(guān)系數(shù)，在合并modules時(shí)，將高相關(guān)性的合并為一類，可以指定一個(gè)閾值，比如將相關(guān)系數(shù)大于0.8的合并為一類，在該聚類樹(shù)中，對(duì)應(yīng)的就是height小于0.2的modules,  對(duì)應(yīng)下圖紅色的線

可以看到有8個(gè)modules都滿足條件，在合并時(shí)，會(huì)將原本屬于同一分支的modules直接合并為一個(gè)，從圖上可以看出，合并后會(huì)減少4個(gè)modules。合并的代碼如下

MEDissThres <- 0.2
merge <- mergeCloseModules(
  datExpr,
  dynamicColors,
  cutHeight = MEDissThres,
  verbose = 3)
mergedColors <- merge$colors
mergedMEs <- merge$newMEs
plotDendroAndColors(
geneTree,
cbind(dynamicColors, mergedColors),
c("Dynamic Tree Cut", "Merged dynamic"),
dendroLabels = FALSE,
hang = 0.03,
addGuide = TRUE,
guideHang = 0.05)

合并之后的modules 對(duì)應(yīng)的圖片如下

到此，關(guān)于“WGCNA怎么挖掘潛在的共表達(dá)基因”的學(xué)習(xí)就結(jié)束了，希望能夠解決大家的疑惑。理論與實(shí)踐的搭配能更好的幫助大家學(xué)習(xí)，快去試試吧！若想繼續(xù)學(xué)習(xí)更多相關(guān)知識(shí)，請(qǐng)繼續(xù)關(guān)注創(chuàng)新互聯(lián)網(wǎng)站，小編會(huì)繼續(xù)努力為大家?guī)?lái)更多實(shí)用的文章！

新聞名稱：WGCNA怎么挖掘潛在的共表達(dá)基因
文章出自：http://www.chinadenli.net/article18/iphgdp.html

成都網(wǎng)站建設(shè)公司_創(chuàng)新互聯(lián)，為您提供App開(kāi)發(fā)、網(wǎng)站收錄、用戶體驗(yàn)、App設(shè)計(jì)、靜態(tài)網(wǎng)站、商城網(wǎng)站

廣告

聲明：本網(wǎng)站發(fā)布的內(nèi)容（圖片、視頻和文字）以用戶投稿、用戶轉(zhuǎn)載內(nèi)容為主，如果涉及侵權(quán)請(qǐng)盡快告知，我們將會(huì)在第一時(shí)間刪除。文章觀點(diǎn)不代表本網(wǎng)站立場(chǎng)，如需處理請(qǐng)聯(lián)系客服。電話：028-86922220；郵箱：631063699@qq.com。內(nèi)容未經(jīng)允許不得轉(zhuǎn)載，或轉(zhuǎn)載時(shí)需注明來(lái)源： 創(chuàng)新互聯(lián)