還是老習(xí)慣，給出官網(wǎng)教程感帅，至于你是看還是不看，它就在那里，等著你的深入研究～
https://horvath.genetics.ucla.edu/html/CoexpressionNetwork/Rpackages/WGCNA/Tutorials/
往期教程：
（一）WGCNA分析中的軟閾值
WGCNA分析圖文詳解專題中要解釋的第三張圖，所有結(jié)果中最主要的結(jié)果圖恐怕就是這張了：
官方注釋：
Figure 1: Module-trait associations. Each row corresponds to a module eigengene, column to a trait. Each cell?contains the corresponding correlation and p-value. The table is color-coded by correlatio according to the color?legend.
這張圖有這幾個部分：
1饼酿，橫坐標(biāo)：表型性狀（trait）榕酒。那么胚膊，根據(jù)表型性狀是連續(xù)型變量和分類變量如何數(shù)值化？
2想鹰，縱坐標(biāo)：對應(yīng)模塊紊婉，用每個模塊的eigengene來表示這個模塊。那么eigengene又是什么辑舷，怎么理解這個eigengene呢喻犁？
3，圖中的小格子：其中的數(shù)值代表什么何缓？
4肢础，每個性狀與模塊之間的相關(guān)性計算是否獨立的：即表型放在一起分析和分開單獨分析是否有不同？
小面我們來一一解讀碌廓。如有理解錯誤传轰，還請各位大俠批評指正。
1氓皱，橫坐標(biāo)：表型性狀（trait）
教程中的數(shù)據(jù)如上圖路召，行代表樣本，列代表性狀重量weight（g）波材，長度length（cm）等股淡。總共有134個樣本廷区，26個性狀唯灵。
這里我截取了一小部分進行展示，一列代表一個性狀隙轻。重量和長度都是連續(xù)性變量埠帕，直接用就好。分類變量如男女玖绿，可以男1敛瓷，女0進行數(shù)值化。
2斑匪，縱坐標(biāo)：對應(yīng)模塊的eigengene
官網(wǎng)給出的解釋是這個樣子的：
Eigengene呐籽，即每個模塊的第一主成分。
這里小編自己的理解就是這個模塊有134個樣本蚀瘸，n個基因狡蝶，然后用pca主成分分析對這n個基因進行降維取其第一主成分作為這個模塊的特征。
3贮勃，圖中的小格子中的數(shù)值代表什么贪惹？
這里我們得到橫坐標(biāo)的表型性狀向量和縱坐標(biāo)的每個模塊的特征代表eigengene值向量，然后就可以計算每個模塊和性狀之間的相關(guān)性了寂嘉。我們知道計算兩個向量之間的相關(guān)性有三種方法："pearson", "kendall", "spearman"奏瞬。
官方這里采用的pearson計算方法枫绅。
核心代碼：moduleTraitCor = cor(MEs, datTraits, use = "p")
嗯，用的cor函數(shù)丝格。默認(rèn)的method=”pearson”撑瞧。那么這里圖中的小格子中的數(shù)值就代表每個性狀和每個模塊的特征值之間兩兩計算的相關(guān)性值以及對應(yīng)的pvalue棵譬。
顏色表示紅色越深显蝌，越正相關(guān)；綠色越深订咸，越負(fù)相關(guān)曼尊。并且，在這里你如果理解了這個相關(guān)性的計算脏嚷，那么應(yīng)該就可以理解不同性狀之間與模塊計算相關(guān)性時是相互獨立的骆撇。
?重點，敲黑板８感稹Ｉ窠肌！
這個圖說難也不難趾唱，但是涌乳，卻是整個WGCNA分析的最主要的結(jié)果了。有個地方很關(guān)鍵甜癞，就是將臨床表型轉(zhuǎn)換為數(shù)值的trait的時候夕晓，直接涉及到了后面相關(guān)性的計算。如果轉(zhuǎn)換不合理很可能得到不好的結(jié)果喲悠咱。
今天就說到這里蒸辆，歡迎大家留言討論。我們下期再見~
參考資料：
1,https://horvath.genetics.ucla.edu/html/CoexpressionNetwork/Rpackages/WGCNA/Tutorials/
2,AGeneral Framework for Weighted Gene Co-Expression Network Analysis,?Stat Appl Genet Mol Biol.?2005;4:Article17. Epub 2005 Aug 12
