|
加权基因共表达网络（WGCNA）可以利用基因表达数据，构建出加权的基因共表达网络，从而挖掘协同表达的基因模块，探索基因模块与性状之间的关系。 这种分析方法在生物研究领域中被广泛使用，以期对实验做出具有生物学意义的解释，从而继续挖掘更深层次的生物学机制。这里给大家介绍一篇WGCNA相关文献，学习如何进行此类数据挖掘和分析。 数据来源 GEO数据库：以“glioma”为关键词搜索GEO数据库，最终得到GSE54004数据，共144个样本。 WGCNA基本分析 剔除异常样品 网络构建与模块划分 取平均表达量最高的4000个基因，按照无尺度网络的标准确定power值为6，并以模块最小基因数50,进行网络构建，最终获得8个模块。同时依据每个模块中基因数量的多少进行模块排序并给定编号（见下图）。 模块间关联分析 基于模块特征基因进行聚类，发现聚类结果可以划分两个cluster（cluster1:M2、M3、M4、M5、M8，cluster2：M1、M3、M7），进一步分析各模块之间的相关性，最终发现模块2与模块3，模块3与模块4，模块3与模块8具备比较高的关联(如下图）。 富集分析 分别对8个模块的基因进行GO和KEGG富集分析，并取p值小于0.05的前5个GO terms 或者KEGG pathways，汇总，以富集程度大小绘制如下热图，由此得知各模块内的基因的富集结果。 总结 作者通过分析结果，发现模块5和胶质瘤的出现和发展具有非常重要的关联，其富集结果显示：hsa04510（Focal adhesion）和hsa04610（Complement and coagulation cascades）显著富集， 这两个pathway极有可能是胶质瘤的生物标记。 文章以现有数据（GEO）为基础，进行WGCNA模块分析过程，并对模块基因进行富集分析，重点挖掘和胶质瘤相关的通路，有利于研究人员对此展开更深层次的探索。 直达WGCNA学习： 直达GEO芯片数据挖掘： 参考文献 Shi, T., Chen, J., Li, J., Yang, B. Y., & Zhang, Q. L. (2018). Identification of key gene modules and pathways of human glioma through coexpression network. Journal of cellular physiology. |
|
|
