{"name":"WGCNA","category":"Network Analysis","category_key":"enrichment-network","category_name":"富集与网络分析","tool_type":"R 包","summary":"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。","performance_json":{"x_axis":["5k genes","15k genes","30k genes"],"series":[{"name":"时间消耗","unit":"分钟","y_axis":"time","data":[6,38,160]},{"name":"峰值内存","unit":"GB","y_axis":"memory","data":[4,18,72]}],"environment":"R 4.4 / signed network / blockwiseModules"},"markdown_docs":"# WGCNA\n\n## 工具定位\nWGCNA 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。\n\n## 核心思想\n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。\n\n## 输入与输出\n| 数据对象 | 说明 |\n| --- | --- |\n| 标准化表达矩阵 | 上游分析输入 |\n| 样本表型表 | 上游分析输入 |\n| 共表达模块 | 下游解读结果 |\n| module-trait correlation | 下游解读结果 |\n| hub genes | 下游解读结果 |\n\n## 示例命令\n```r\nlibrary(WGCNA)\ndatExpr <- t(vst_counts)\npowers <- pickSoftThreshold(datExpr)\nnet <- blockwiseModules(datExpr, power = 8, TOMType = 'signed', minModuleSize = 30)\nmoduleTraitCor <- cor(net$MEs, traits, use = 'p')\n```\n\n## 解读要点\n1. 样本数太少会导致网络不稳定，通常建议至少 15-20 个样本。\n2. 输入表达矩阵要先过滤低表达和低变异基因。\n3. hub gene 需要结合模块相关性、连接度和生物学证据筛选。\n","id":19,"created_at":"2026-06-03T17:48:59.833455Z"}