← 返回软件与算法

Software & Algorithm Detail

富集与网络分析Network AnalysisR 包

WGCNA

加权基因共表达网络分析工具，用于识别模块、hub genes 和表型相关表达结构。

资源类型
R 包
方法分类
富集与网络分析
原始分类
Network Analysis
创建时间
2026/6/3

Benchmark

性能基准测试

当前图表用于比较不同数据规模下的时间消耗和内存消耗。

性能基准测试

R 4.4 / signed network / blockwiseModules

Benchmark

Documentation

软件原理、用法与参数

统一使用 Markdown 文档渲染，保留命令行代码块、参数表和示例说明。

WGCNA

工具定位

WGCNA 适合多样本表达矩阵，常用于寻找与性状、时间、疾病严重度相关的共表达模块。

核心思想

根据基因表达相关性构建加权网络，进行拓扑重叠计算和模块切分，再关联外部表型。

输入与输出

数据对象说明
标准化表达矩阵上游分析输入
样本表型表上游分析输入
共表达模块下游解读结果
module-trait correlation下游解读结果
hub genes下游解读结果

示例命令

library(WGCNA)
datExpr <- t(vst_counts)
powers <- pickSoftThreshold(datExpr)
net <- blockwiseModules(datExpr, power = 8, TOMType = 'signed', minModuleSize = 30)
moduleTraitCor <- cor(net$MEs, traits, use = 'p')

解读要点

  1. 样本数太少会导致网络不稳定，通常建议至少 15-20 个样本。
  2. 输入表达矩阵要先过滤低表达和低变异基因。
  3. hub gene 需要结合模块相关性、连接度和生物学证据筛选。