1、加权共表达网络分析（WGCNA）步骤：
（1）构建共表达网络：根据基因与基因之间的相关性建立
（2）划分模块：表达模式相似的基因划分为一个模块
（3）模块与性状关联分析
（4）模块之间的关联分析
（5）模块中核心基因的鉴定：Hub基因
2、WGCNA原理：
（1）什么是共表达？
简单来说，就是在多个样品中，两个基因的表达模式非常相似，往往意味着相关性。
相关性系数来决定表达模式是否相似：0 <= |r| <=1
（2）什么是网络？
节点（node）：每个基因代表一个节点
连接（link）：每条线代表一个连接
无权网络（unweighted network）：按照相关性将节点连接起来，不牵涉与其它节点关系的强弱。
加权网络（weighted network）：线的粗细代表连接性的高与低，相当于权重，所有节点之间关系的叠加
邻接矩阵（adjacency matrix）: 节点之间的关系强弱，叫做临接度，一个网络里的所有基因，就形成了邻接矩阵。
连通性（connectivity）：节点的重要程度，与多少个其它节点有关系以及节点之间的强弱。
随机网络：没有特别重要或者是特别关键的节点
无尺度网络：如下图所示，在无尺度网络中，都只与少数节点连接，比如下图中红色的点；而极少数的节点与很多节点连接，比如蓝色的点。如果把每个节点的连接数进行排序，无尺度网络的的连通性是符合幂律分布的。
3、具体分析流程：
第一步：数据预处理。过滤掉在所有样本中表达量都很低的基因和几乎没有差异的基因（不建议只保留显著差异基因）。
第二步：构建相关性矩阵
Unsighed:不区分正相关和负相关，直接取绝对值。
Sighed:区分正相关和负相关。
第三步：构建邻接矩阵（线性相关）
方法一：hard threshold:人为决定
方法二：soft threshold
评价标准：尽可能接近无尺度网络而且尽可能保留连通性信息
第四步：构建拓扑重叠矩阵（加入中间节点）
既包含两个基因的直接相关性，也包含与中间节点显著相关的两个基因的关系
怎么表示基因之间的关系/距离?
相关系数矩阵-->邻接矩阵-->TOM矩阵
第五步：共表达网络构建（聚类）
有关联的基因被聚在一个分支上
第六步：模块划分：Dynamic Tree Cut
第七步：合并相似模块
第八步：模块与性状相关
模块基因做主成分分析，PC1做为模块特征向量，然后计算模块特征向量与基因的相关性。
第九步：GS和MM
GS：性状与模块基因的相关性
MM：基因与模块的相关性，检测成员基因是否与模块趋势一致
第十步：可视化
