GEO数据与WGCNA--挖掘胶质瘤共表达网络的关键模块与通路
加权基因共表达网络（WGCNA）可以利用基因表达数据，构建出加权的基因共表达网络，从而挖掘协同表达的基因模块，探索基因模块与性状之间的关系。
这种分析方法在生物研究领域中被广泛使用，以期对实验做出具有生物学意义的解释，从而继续挖掘更深层次的生物学机制。这里给大家介绍一篇WGCNA相关文献，学习如何进行此类数据挖掘和分析。
数据来源
GEO数据库：以“glioma”为关键词搜索GEO数据库，最终得到GSE54004数据，共144个样本。
WGCNA基本分析
剔除异常样品
对144个样品进行聚类分析，以聚类高度阈值150剔除了3个离群样品，除结果中外围的两个样品，其中139个样品可以划分成两个cluster（如下图，cluster1：16，cluster2：123）。
网络构建与模块划分
取平均表达量最高的4000个基因，按照无尺度网络的标准确定power值为6，并以模块最小基因数50,进行网络构建，最终获得8个模块。同时依据每个模块中基因数量的多少进行模块排序并给定编号（见下图）。
模块间关联分析
基于模块特征基因进行聚类，发现聚类结果可以划分两个cluster（cluster1:M2、M3、M4、M5、M8，cluster2：M1、M3、M7），进一步分析各模块之间的相关性，最终发现模块2与模块3，模块3与模块4，模块3与模块8具备比较高的关联(如下图）。
富集分析
分别对8个模块的基因进行GO和KEGG富集分析，并取p值小于0.05的前5个GO terms 或者KEGG pathways，汇总，以富集程度大小绘制如下热图，由此得知各模块内的基因的富集结果。
总结
作者通过分析结果，发现模块5和胶质瘤的出现和发展具有非常重要的关联，其富集结果显示：hsa04510（Focal adhesion）和hsa04610（Complement and coagulation cascades）显著富集， 这两个pathway极有可能是胶质瘤的生物标记。
文章以现有数据（GEO）为基础，进行WGCNA模块分析过程，并对模块基因进行富集分析，重点挖掘和胶质瘤相关的通路，有利于研究人员对此展开更深层次的探索。
参考文献
Shi, T., Chen, J., Li, J., Yang, B. Y., & Zhang, Q. L. (2018). Identification of key gene modules and pathways of human glioma through coexpression network. Journal of cellular physiology.
相关课程：GEO芯片数据挖掘、GEO芯片数据标准化、WGCNA-加权基因共表达网络分析
更多生物信息课程：
1. 文章越来越难发？是你没发现新思路，基因家族分析发2-4分文章简单快速，学习链接：基因家族分析实操课程、基因家族文献思路解读
2. 转录组数据理解不深入？图表看不懂？点击链接学习深入解读数据结果文件，学习链接：转录组（有参）结果解读；转录组（无参）结果解读
3. 转录组数据深入挖掘技能-WGCNA，提升你的文章档次，学习链接：WGCNA-加权基因共表达网络分析
4. 转录组数据怎么挖掘？学习链接：转录组标准分析后的数据挖掘、转录组文献解读
5. 微生物16S/ITS/18S分析原理及结果解读、OTU网络图绘制、cytoscape与网络图绘制课程
6. 生物信息入门到精通必修基础课：linux系统使用、perl入门到精通、perl语言高级、R语言入门、R语言画图
7. 医学相关数据挖掘课程，不用做实验也能发文章：TCGA-差异基因分析、GEO芯片数据挖掘、GEO芯片数据标准化、GSEA富集分析课程、TCGA临床数据生存分析、TCGA-转录因子分析、TCGA-ceRNA调控网络分析
8.其他，二代测序转录组数据自主分析、NCBI数据上传、二代测序数据解读
- 发表于 2018-11-23 12:45
- 阅读 ( 6415 )
- 分类：文献解读
