大数据营销的缺点佛山百度提升优化

1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。🥰

2用到的包

rm(list = ls())
library(WGCNA)
library(dplyr)

3示例数据

load("FemaleLiver-01-dataInput.RData")
load("FemaleLiver-02-networkConstruction-auto.RData")

4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)

5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")

6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
                      )

7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

点个在看吧各位~ ✐.ɴɪᴄᴇ ᴅᴀʏ 〰