目录WGCNA简介两个假设一般步骤 数据准备差异分析参数解释Limma包差异分析 WGCNA分析构建基因共表达网络模块与临床特征的相关性分析GO富集分析KEGG富集分析PPI分析验证关键基因 写在最后WGCNA简介WeightedGeneCo-ExpressionNetworkAnalysis，加权基因共表达网络，将复杂生物过程的基因共表达网络划分为高度相关的几个特征模块，其代表着机组高度协同变化的基因集，并可将模块与待定的临床特征建立关联，在研究表型性状与基因关联分析等方面的研究中被广泛应用。两个假设相似表达模式的基因可能存在共调控、功能相关或处于同一通路基因网络符合无标度分
影响因子：8.786研究概述：阿尔茨海默病（AD）是一种严重的进行性神经退行性疾病，其特征是淀粉样蛋白-β（Abeta）斑块过度积累，神经功能障碍和认知障碍。本文采用ssGSEA、LASSO回归和WGCNA算法详细地评估AD患者的免疫微环境模式，使用SHAP和LIME算法分析机器学习模型的结果。接着使用了四个单独的GEO数据库进行外部验证，并根据区分基因的表达确定了免疫微环境的不同亚型。随后使用无监督聚类估计免疫微环境的亚组，对这些亚型之间的免疫微环境、增强功能和途径以及治疗药物的变化进行了进一步的研究。最后，使用AlzData和泛癌数据库以及RT-PCR分析验证了特征基因的表达。流程图：研究
关于WGCNA的分析，共有3期教程，今天是的第三期。前面两期是使用代码进行分析的，也是我们的平时最常用的分析方法，对我个人来说也是最简洁的方法。（PS：对于使用代码分析，个人有个人的看法。如果你看得懂代码，那么是非常方便的；但是，一旦你遇到超出你能力范围的代码，就需要你获得别人的帮助）WGCNA分析教程一[WGCNA分析教程二]((https://mp.weixin.qq.com/s/Ln9TP74nzWhtvt7obaMp1A)我们的前面两个教程是付费教程,对于这个价格是否值得，就是仁者见仁，智者见智。上面的教程，所有代码都原封不动的附上，只需改动几个参数就可以；如果，你连需要改那几个参数都
影响因子：7.31关于非肿瘤生信，我们也解读过很多目前非肿瘤中结合热点基因集，免疫浸润，机器学习，分型的分析是比较先进的。有需要的分析的朋友欢迎交流！！研究概述：心房颤动（AF）是缺血性卒中的主要危险因素，而仅凭临床特征和神经影像学表现都不能可靠地分类心源性栓塞性卒中（CE）。本研究旨在确定在心房颤动相关心源性栓塞性卒中（AF-CE）患者中具有诊断价值的新型潜在生物标志物，区分AF-CE与其他类型缺血性卒中。研究者对AF和CE的共同的DEGs进行综合分析后，使用LASSO和SVM-RFE两种机器学习算法确定了三个诊断标志物C1QC、VSIG4和CFD。然后采用RT-qPCR分析了3种诊断标志物
注意：今天的教程比较长，请规划好你的时间。本文是付费内容，在本文文末有本教程的全部的代码和示例数据。输出结果分析代码关于WGCNA分析，如果你的数据量较大，建议使用服务期直接分析，本地分析可能导致R崩掉。设置文件位置setwd("~/00_WGCNA/20230217_WGCNA/WGCNA_01")加载分析所需的安装包install.packages("WGCNA")#BiocManager::install('WGCNA')library(WGCNA)options(stringsAsFactors=FALSE)注意，如果你想打开多线程分析，可以使用一下代码enableWGCNAThrea
WGCNA原理和分析流程单细胞WGCNA分析方法+随机森林0.数据准备输入数据集的要求：已经进行了如下分析的Seurat对象导入演示数据#官方演示数据集wgethttps://swaruplab.bio.uci.edu/public_data/Zhou_2020.rdsseurat_obj这是一个正常的脑组织数据集，包含了使用Harmony整合的12个样本的Seurat对象。加载R包和数据集#single-cellanalysispackagelibrary(Seurat)#plottinganddatasciencepackageslibrary(tidyverse)library(cowp
代码逐句分析一、文章来源二、基因共表达网络构建及模块识别1.数据导入、清洗及预处理2.检查过度缺失值和离群样本3.聚类做离群样本检测4.载入临床特征数据三、自动构建网络及识别模块1.确定合适的软阈值：网络拓扑分析2.一步构建网络和识别模块一、文章来源初学WGCNA，觉得博主的代码写的很不错，但其中很多代码在第一遍看的时候有很多地方不理解，后查阅了很多资料，终于看明白了，于是写了一篇笔记，记录自己的学习心得，有不准确的地方，还望各位大佬们不吝赐教~原文链接：WGCNA简明指南二、基因共表达网络构建及模块识别1.数据导入、清洗及预处理示例数据下载：https://horvath.genetics.
代码逐句分析一、文章来源二、基因共表达网络构建及模块识别1.数据导入、清洗及预处理2.检查过度缺失值和离群样本3.聚类做离群样本检测4.载入临床特征数据三、自动构建网络及识别模块1.确定合适的软阈值：网络拓扑分析2.一步构建网络和识别模块一、文章来源初学WGCNA，觉得博主的代码写的很不错，但其中很多代码在第一遍看的时候有很多地方不理解，后查阅了很多资料，终于看明白了，于是写了一篇笔记，记录自己的学习心得，有不准确的地方，还望各位大佬们不吝赐教~原文链接：WGCNA简明指南二、基因共表达网络构建及模块识别1.数据导入、清洗及预处理示例数据下载：https://horvath.genetics.
