WGCNA的原理如果不掌握的话，就很难在做WGCNA分析的过程中，利用手中的代码去修改参数，就无法得到满意的图图。所以，下面放几篇文献中的WGCNA的流程图，供参考
<img src="../../Library/Application Support/typora-user-images/image-20191121211313666.png" alt="image-20191121211313666" style="zoom: 50%;" />
<img src="../../Library/Application Support/typora-user-images/image-20191121211330496.png" alt="image-20191121211330496" style="zoom:50%;" />
<img src="../../Library/Application Support/typora-user-images/image-20191121211340735.png" alt="image-20191121211340735" style="zoom:50%;" />
<img src="../../Library/Application Support/typora-user-images/image-20191121211349820.png" alt="image-20191121211349820" style="zoom: 67%;" />
然后放上参考链接
下面是网易云课堂的视频中图片+自己注释理解
下面视频中WGCNA基础的理解
WGCNA基本理论参考：
对应开发的R包：https://horvath.genetics.ucla.edu/html/CoexpressionNetwork/Rpackages/WGCNA/Tutorials/
通过学习，关注模块基因的功能，而不是单一基因的功能，将结果进行可视化并且和形状数据进行联合分析，挖掘基因模块和形状之间存在的练习
- 得到关系矩阵后要将关系矩阵转为邻接矩阵，建立邻接矩阵的目的就是建立一个基因共表达网络
- 网络可以用矩阵表示，用一维数组存储网络中所有的点，用二维数组存储网络中点和点之间的关系（两个点和点直接的连线）
未加权网络的点只存在0和1的关系，所能反应的信息较少，不能反映点和点之间关系的强弱
加权网络：点和点之间的联系不在仅仅是0和1，而是一个连续的数值，数值大小对应边的权重值，可以反映点和点之间的强弱程度
-
转换成未加权网络的邻接矩阵，以0.8的为界，但是会丢失很多数据，形成的网络只反映基因与基因直接是否存在关联，有关联为1，无关联为0，不能反映基因和基因之前联系的强弱
image-20190904075914047 转换成加权网络，将关系矩阵进行幂运算，幂指数定为的数，要使共表达网络满足无尺度网络
无尺度网络中，连通性高的点占的数值很少，二连通性低的点占的数值很大，如上图中，显示不同联通性的点在网络中所占的频数
在未加权网络中，达到连接数为i的概率p（i）与i的n次方成反比就是无尺度网络
在加权网络中，标准为log10(p(k)) versus log10(k) 负相关，k对应的是加强网络中点的连通性
用贝塔值在0 和30之间，分别计算log10(p(k))和log10(k) ，计算后的结果进行拟合，判断哪个贝塔值更满足这一log10(p(k)) versus log10(k) 负相关这一标准
要求拟合指数R2值(SFT.R.sq)大于0.8，回归线的斜率要求在-1左右，平均联通性mean.k要求尽量大，对应的数据可以绘制出右边的散点图
右一图可以看到不同的贝塔值对应的拟合指数的大小，绘制的红线可以帮助判断那个拟合指数R2值对应的power也就是贝塔值大于0.9，也可以绘制在0.8或0.5的位置
右二图，看贝塔值和联通性，更有助于发现hub基因
如上图所示，贝塔值选择6时，R2指数更接近无尺度网络（生物学中大多是无尺度网络），最终选择6
确定了贝塔值之后，就可以将关系矩阵转化为邻近矩阵，接下来就可以转换为tom重叠矩阵。为什么要转换为tom矩阵？是因为在wgcna中，认为模块是tom重叠性基因高的基因，所以需要计算基因和基因之间的tom重叠性，从而判断哪些基因应该属于同一个模块，哪些基因不在同一个模块。
具体的转换公式为：通过下面这个公式可以计算基因和基因之间的tom重叠性，将邻接矩阵转换为tom重叠矩阵。
用tom相异程度进行聚类的时候，可以得到如下图
建立基因模块后，可以将模块用颜色来区分，有些模块相似性高，就需要将模块合并。将模块特征基因进行聚类，在完成聚类后合并，0.25高度对应的相似度阈值就是0.75。具体的相似性阈值可以自行设置，进行聚类剪切后，就可以区分哪些模块相似性高，哪些模块相似性低，如下图。
接下来，可以计算基因模块和形状的相关性
上图中，右边标尺越红表示正相关性越高，越绿表示负相关性越高
，从图中可以看出哪些形状和哪些模块相关性比较高，可进一步分析
将GS和MM进行绘图如下
可以知道，上面蓝框圈住的那个地方的基因，对性状影响比较大，同时MM值也比较大。同时可以对前面的红色箭头的weight来进行验证。
此外还有如下图的可视化展示
还可以将模块特征基因进行可视化-模块特征基因的聚类树及绘制模块特征基因相关性的热图，如下图
第三方软件，可以依据weight值的大小进行筛选，从而绘制出不同网络图
第三列对应的是tom重叠性
weight值越高，筛选出的相互关系越少，反正越多。
可以通过连线的多少来判断是否为Hub基因。
对Hub基因和感兴趣基因，可以进行KEGG、GO富集分析，但要有对应的注释R包。
完成啦
最后友情宣传生信技能树
全国巡讲:R基础，Linux基础和RNA-seq实战演练 : 预告：12月28-30长沙站
