【原】图解单细胞 | 第13期. 单细胞WGCNA分析——hdWGCNA

通常我们分析组学数据，是以差异表达分析为基础，也可以大大缩小分析范围，但同时也损失了大量的基因信息。当比较组过多的时候，两两进行的差异分析组合过多，不利于组间比较。WGCNA全称加权基因共表达网络分析 (Weighted correlation network analysis)，是用来描述不同样品之间基因关联模式的系统生物学方法，可以用来鉴定高度协同变化的基因集，并根据基因集的内连性和基因集与表型之间的关联鉴定核心基因。相比于只关注差异基因，WGCNA利用变化最大的基因或全部基因的信息识别感兴趣的基因集，并与表型进行关联分析。一是充分利用了信息，二是把数千个基因与表型的关联转换为数个基因集与表型的关联，免去了多重假设检验校正的问题。WGCNA通常应用在bulk数据，本文介绍WGCNA在单细胞数据上的拓展。

图解拟时序实例

hdWGCNA（high dimensional WGCNA），是WGCNA在单细胞数据上的扩展。其流程基于给定一个基因表达数据集（如某个细胞亚群的基因数据集）作为输入，接着进行以下分析步骤：计算输入特征的两两相关性，用软实力阈值加权相关性(β)，计算特征之间的拓扑重叠，并通过动态树切算法进行无监督聚类。

在一项阿兹海默病（AD）的单细胞核测序研究中，在降维聚类后对少突胶质细胞亚群进行WGCNA，识别了4个与AD强相关的基因共表达模块（OM），并对这4个模块进行hub gene分析（图a）。其中OM1与AD负相关，并与蛋白合成相关，核心基因包括RPS15A, RPL30 和RPL23A。OM2也与AD负相关，富集分析显示其与髓鞘形成相关，其核心基因为MAG, CNP 和PLP1。

以上就是今天的全部内容啦~大家对于推送内容有任何问题或建议可以在公众号菜单栏“更多--读者的话”栏目中提出，我们会尽快回复！

参考文献：

1. 1. Samuel Morabito, Fairlie Reese, Negin Rahimzadeh, Emily Miyoshi, Vivek Swarup. High dimensional co-expression networks enable discovery of transcriptomic drivers in complex biological systems. bioRxiv 2022.09.22.509094

2. 2.  Morabito S, Miyoshi E, Michael N, Shahin S, Martini AC, Head E, Silva J, Leavy K, Perez-Rosendahl M, Swarup V. Single-nucleus chromatin accessibility and transcriptomic characterization of Alzheimer's disease. Nat Genet. 2021 Aug;53(8):1143-1155.

3. 

写在最后

“观科研”（点击进一步了解我们吧）是由一群北京协和医学院（清华大学医学部）的博士开创的公众号，初心是让医学科研有迹可循，帮助一线的医学科研人员更快地成长，希望大家支持与关注！