写在前面
前面我们用WGCNA分析完成了一系列的分析，聚类分割模块。🥰
随后进一步筛选，找到与我们感兴趣的表型或者临床特征相关的模块，而且进行了模块内部分析。😘
再然后是对感兴趣模块进行功能注释，了解模块的功能及涉及的潜在机制。🥳
本期主要是介绍一些可视化的方法，大家了解一下吧。🥰
用到的包
rm(list = ls())
library(WGCNA)
library(dplyr)
示例数据
load("FemaleLiver-01-dataInput.RData")
load("FemaleLiver-02-networkConstruction-auto.RData")
计算基因数与样本数
计算一下基因数和样本数吧，后面会用到。🤓
nGenes <- ncol(datExpr)
nSamples <- nrow(datExpr)
基因网络的可视化
5.1 计算TOM
我们再重新计算一下TOM吧， power是6，之前的教程介绍过如何计算。
dissTOM <- 1-TOMsimilarityFromExpr(datExpr, power = 6)
5.2 转换一下并可视化
这里我们需要转换一下dissTOM, 可以增强对比，方便进行可视化。
plotTOM <- dissTOM^6
diag(plotTOM) <- NA
sizeGrWindow(9,9)
TOMplot(plotTOM, geneTree, moduleColors, main = "Network heatmap plot, all genes")
5.3 随机选择基因
由于数据量比较大，这里我们就随机选择300个基因来进行可视化吧。😉
nSelect <- 300
set.seed(123)
select <- sample(nGenes, size = nSelect)
selectTOM <- dissTOM[select, select]
selectTree <- hclust(as.dist(selectTOM), method = "average")
selectColors <- moduleColors[select]
5.4 可视化
来吧，展示！~😜
浅色代表low adjacency (overlap)，深色代表higher adjacency (overlap)。🤨
这里需要补充一下，如果你的TOM是用blockwise计算得到的，需要对每个block都运行一遍这个code，这里不做具体介绍了，写个循环吧。😏
sizeGrWindow(9,9)
plotDiss <- selectTOM^6
diag(plotDiss) <- NA
TOMplot(plotDiss, selectTree, selectColors, main = "Network heatmap plot, selected genes")
网络的eigengenes可视化
6.1 计算模块的eigengenes
MEs <- moduleEigengenes(datExpr, moduleColors)$eigengenes
6.2 合并module与traits信息
weight <- as.data.frame(datTraits$weight_g)
names(weight) <- "weight"
MET <- orderMEs(cbind(MEs, weight))
6.3 可视化
sizeGrWindow(5,7.5)
par(cex = 0.9)
plotEigengeneNetworks(MET, "",
marDendro = c(0,4,1,2), marHeatmap = c(3,4,1,2),
cex.lab = 0.8, xLabelsAngle= 90
)
如何引用
📍
Langfelder, P., Horvath, S. WGCNA: an R package for weighted correlation network analysis. BMC Bioinformatics 9, 559 (2008). https://doi.org/10.1186/1471-2105-9-559
<center>最后祝大家早日不卷!~</center>
点个在看吧各位~ ✐.ɴɪᴄᴇ ᴅᴀʏ 〰
<center> <b>📍 往期精彩 <b> </center>
📍 <font size=1>🤩 WGCNA | 值得你深入学习的生信分析方法！~</font>
📍 <font size=1>🤩 ComplexHeatmap | 颜狗写的高颜值热图代码！</font>
📍 <font size=1>🤥 ComplexHeatmap | 你的热图注释还挤在一起看不清吗！？</font>
📍 <font size=1>🤨 Google | 谷歌翻译崩了我们怎么办！？（附完美解决方案）</font>
📍 <font size=1>🤩 scRNA-seq | 吐血整理的单细胞入门教程</font>
📍 <font size=1>🤣 NetworkD3 | 让我们一起画个动态的桑基图吧~</font>
📍 <font size=1>🤩 RColorBrewer | 再多的配色也能轻松搞定！~</font>
📍 <font size=1>🧐 rms | 批量完成你的线性回归</font>
📍 <font size=1>🤩 CMplot | 完美复刻Nature上的曼哈顿图</font>
📍 <font size=1>🤠 Network | 高颜值动态网络可视化工具</font>
📍 <font size=1>🤗 boxjitter | 完美复刻Nature上的高颜值统计图</font>
📍 <font size=1>🤫 linkET | 完美解决ggcor安装失败方案（附教程）</font>
📍 <font size=1>......</font>
本文由mdnice多平台发布
