WGCNA提供了两种方法将共表达基因模块与表型数据关联，分别是相关性分析和分组分析。相关性分析通过模块主成分与表型数据的相关性识别关键模块；分组分析则考虑不同条件下的样本，分别进行相关性分析，以揭示各组间的共表达模式。通过可视化结果，可以直观地筛选与特定表型关联的基因模块，有助于深入理解基因功能和生物学过程。
欢迎关注微信公众号《生信修炼手册》!
单纯的共表达基因集合的结果并不能与我们的实验设计相关联，对于识别到的几十个共表达基因集合，一一进行富集分析去挖掘其功能，看上去如此的盲目，没有目的性，所以我们需要对共表达基因集进一步挖掘，常规的做法就是分析其中与性状相关的共表达基因，然后针对这些基因通过富集分析来研究其功能。
在WGCNA中，有两种常见的关联表型与共表达基因的方法
1. 相关性分析
这种方法要求提供每个样本对应的表型数据的值，利用这个值与module的第一主成分值进行相关性分析，根据相关性分析的结果。识别与表型相关联的modules。
表型数据示例如下
| sample | weight_g | length_cm | ab_fat |
|---|---|---|---|
| F2_290 | 36.9 | 9.9 | 2.53 |
| F2_291 | 48.5 | 10.7 | 2.9 |
| F2_292 | 45.7 | 10.4 | 1.04 |
| F2_293 | 50.3 | 10.9 | 0.91 |
第一列为样本，其他列代表不同的表型，尽量不要有空值，早进行相关性分析时，空值会被剔除，所以太多的空值会影响相关性分析的结果。
在识别modules的过程中，会根据module的第一主成分，即ME值合并modules, 合并之后的modules需要重新计算对应的ME值，
最低0.47元/天 解锁文章
扫一扫
3318
被折叠的 条评论
为什么被折叠?
到【灌水乐园】发言
