单细胞-hdWGCNA基因共表达网络-官网教程学习笔记（2）

WGCNA（Weighted Gene Co-expression Network Analysis）是一种用于分析基因共表达网络的方法。在WGCNA中，与基因表达量相关的一些关键概念包括模块（module）、模块特异性基因（eigengene）以及与模块和基因相关的一些统计量，如ME（Module Eigengene）、KME（eigengene-based connectivity）、hME（in-module connectivity）等。

1. ME（Module Eigengene）：

   • 定义： 模块特异性基因（eigengene）是模块内所有基因的主成分，它代表了整个模块的表达模式。ME是模块特异性基因的一个值，用于表示模块整体的表达情况。

   • 理解： ME可以看作是对整个模块在不同条件下的表达进行综合评估。ME的变化可以帮助理解模块在不同生物学条件下的调节情况。

2. KME（eigengene-based connectivity）：

   • 定义： KME是指每个基因与模块特异性基因（ME）之间的相关性。在WGCNA中，通过计算每个基因与模块特异性基因的相关性，可以评估基因在模块内的连接性。

   • 理解： KME提供了关于每个基因在模块内位置的信息，即基因与整个模块的联系紧密程度。高KME值的基因在模块内可能具有更重要的调控作用。

3. hME（in-module connectivity）：

   • 定义： hME是指每个基因在模块内与其他基因的连接性的平均值。它表示了一个基因在其所在模块中的相对中心性。

   • 理解： hME反映了一个基因在模块内的相对重要性。具有高hME的基因可能在模块内具有较强的连接性，可能在模块内发挥关键作用。

这些统计量通常与基因的表达模式和调控性质相关。通过WGCNA，研究人员可以识别基因模块，并进一步研究这些模块与生物学特性之间的关系。ME、KME和hME等指标提供了对基因在模块内位置的不同度量，帮助解释基因调控网络中的重要性和相互关系
链接：https://www.jianshu.com/p/fa038701c698

一、模块特异性基因 （ME)

hdWGCNA 包括一个计算单个细胞中模块特征基因的函数。

# need to run ScaleData first or else harmony throws an error:
#seurat_obj <- ScaleData(seurat_obj, features=VariableFeatures(seurat_obj))

# compute all MEs in the full single-cell dataset
seurat_obj <- ModuleEigengenes(
 seurat_obj,
 group.by.vars="Sample"
)

二、特征基因 （hME）

ME 矩阵存储为矩阵，其中每行是一个单元格，每列是一个模块。可以使用 该函数从 Seurat 对象中提取此矩阵，该函数默认检索 hME。

# harmonized module eigengenes:
hMEs <- GetMEs(seurat_obj)

# module eigengenes:
MEs <- GetMEs(seurat_obj, harmonized=FALSE)

三、模块连接度 kME

# compute eigengene-based connectivity (kME):
seurat_obj <- ModuleConnectivity(
  seurat_obj,
  group.by = 'cell_type', group_name = 'INH'
)

重命名

# rename the modules
seurat_obj <- ResetModuleNames(
  seurat_obj,
  new_name = "INH-M"
)

我们可以使用该函数可视化按 kME 排序的每个模块中的基因

# plot genes ranked by kME for each module
p <- PlotKMEs(seurat_obj, ncol=5)

p

获取模块分配表

hdWGCNA 允许使用该函数轻松访问模块分配表。该表由三列组成：存储基因的符号或 ID，存储基因的模块分配，并为每个模块存储颜色映射，这在许多下游绘图步骤中使用。

# get the module assignment table:
modules <- GetModules(seurat_obj) %>% subset(module != 'grey')

# show the first 6 columns:
head(modules[,1:6])

可以使用该函数提取按 kME 排序的前 N 个枢纽基因表。

# get hub genes
hub_df <- GetHubGenes(seurat_obj, n_hubs = 10)

head(hub_df)

保存

saveRDS(seurat_obj, file='hdWGCNA_object.rds')