纸上得来终觉浅，绝知此事要躬行
学习要明确输入输出，多举例子，多找到应用场景，多进行检索练习——费曼学习法
之前总感觉WGCNA已经学习的差不多了，已经能够实际使用了，结果时间一长，就会把这个技能给生疏了，所以，记录下学习的过程，有助于自己的认识深入。
WGCNA的两次相关性分析
第一次相关性分析
WGCNA第一次实际上是把众多的基因进行了一个归类，将具有相似的生物学功能的基因放置在一起，这个过程可以理解为相关性，也可以是一种聚类的思维。许多的WGCNA教程都只是把代码跑了一遍，而这幅图非常好，是果子学生信课程图片，可视化展示了这个过程，摘录到此处。
将相似的基因归类为一类，那么也就是一个模块，可以继续分析。紧接着面对的问题就是，后续分析怎样利用到模块，而不是单纯继续对基因进行分析。模块思维就在这里使用了，将这些类似的基因，统一成一个值，就叫做epigene，我的理解，这个指标更像是一个聚类之后的评分。
后续的分析，就以新的epigene为基础，进行相应的分析。
第二次相关性分析
当得到了上面的epigene的矩阵文件后，紧接着就是怎么和我们的性状联系，下面的图也是从果子学生信中摘录。
这就是熟悉的两个矩阵求相关性的问题，在之前的批量相关性分析中，其实也涉及到这个操作，批量处理——基因与免疫细胞的相关性。
明白原理后，每一个步骤都会变得愉悦起来
通过上面两个矩阵之间的相关性分析，就可以得到模块epigene和性状之间的关系
这幅图是运行WGCNA作者给出的操作手册中的示例文件，得到的相关性图。颜色只是作者为了能够更好的可视化，其中这个给某一部分特征性上色的技巧可以迁移。
而这幅图就是我们最需要的一幅图，我们能够从这幅图中找到与性状有关的模块，进而能够将这些模块基因提取出来，再进一步分析，一定程度上，这已经缩小了一部分研究范围。虽然离聚焦到一个基因上而言还有一段距离，但是能够有这样的范围缩小，也会极大地有利于研究。
引用一下
当你想用纯生信发文章的时候，对一个技术的要求是苛刻的，恨不能用某个技术直接代替Western blot，直接给我定位到最重要的单个基因上去。
而，对于科研人员来说，一个技术能准确的把范围缩小到一群基因，已经很满意了。接下来通过多个技术和实验来确定最重要的基因就行了。
WGCNA: an R package for weighted correlation network analysis | BMC Bioinformatics
Tutorials for WGCNA R package (ucla.edu)
