WGCNA如何挖掘潜在的共表达基因
欢迎关注微信公众号《生信修炼手册》!
共表达基因指的是表达量具有协同变化趋势的基因集合,通常认为这些基因参与相同的生物学过程,比如参与同一个代谢通路,正是由于功能上的协同作用,导致表达量呈现出高度相关性。
在WGCNA中,对传统的相关系数进行乘方运算,用最终得到的值来表征基因间的相关性。在计算出这样的相关性统计量值之后,如何确定哪些基因是共表达的呢?
WGCNA的做法是聚类分析,聚类分析属于一种非监督的机器学习算法,通过聚类树,可以观察到哪些基因在聚类树中属于同一分支,属于同一分支的基因可以归为一类。实际操作中,考虑到基因数目较多等情况,肯定需要算法来自动化的进行分类,WGCNA采用的是dynamicTreeCut
这个R包。
对于聚类算法而言,需要输入基因间的距离矩阵,首先就需要将基因间的邻接矩阵转换为距离矩阵,对相关系数进行乘方运算,可以计算出邻接矩阵,但是这个值本质上反映的是基因间的相似度,并不是距离。在计算距离矩阵时,WGCNA采用了TOM
这种统计量,该统计量可以表征网络中节点的相似性,计算公式如下
对于两个基因i
和j
而言,a
表示两个基因邻接矩阵中对应的值,就是相关系数的乘方,K
代表的每个基因的连接度, 公式如下
对于加权网络而言,就是该节点的边对应数值的总和,比如在网络中基因A与3个基因相连,基因A的连接度就是对应3条边的数值之和。两个基因间的l
值代表的是两个基因所有边的权重乘积的总和,公式如下
公式只是帮助我们理解计算的过程,其实只需要理解TOM
是表征节点的相似度就行,我们要的是距离,所以直接用1减去相似度即可,公式如下
借助TOM
值,将基因间的相关系数转换为了距离,然后就可以用该距离矩阵进行聚类。上述的计算方法在WGCNA中都有对应的公式,代码如下
# 确定乘方运算中power的最佳取值
powers <- c(c(1:10), seq(from = 12, to=20, by=2))
sft <- pickSoftThreshold(
datExpr,
powerVector = powers,
verbose = 5)
softPower <- sft$powerEstimate
# 计算邻接矩阵
adjacency <- adjacency(datExpr, power = softPower)
# 计算TOM相似度矩阵
TOM <- TOMsimilarity(adjacency)
# 计算距离矩阵
dissTOM <- 1-TOM
# 聚类
geneTree <- hclust(as.dist(dissTOM), method = "average")
根据聚类结果和距离矩阵,就可以调用dynamicTreeCut
的算法来识别modules, 代码如下
# 指定每个module中基因数目的最小值
minModuleSize <- 30
# 识别modules
dynamicMods <- cutreeDynamic(
dendro = geneTree,
distM = dissTOM,
deepSplit = 2,
pamRespectsDendro = FALSE,
minClusterSize = minModuleSize)
通过table
函数可以查看modules的结果,用法如下
> table(dynamicMods)
dynamicMods
0 1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19
88 614 316 311 257 235 225 212 158 153 121 106 102 100 94 91 78 76 65 58
20 21 22
58 48 34
可以看到,识别出22个modules, 0
代表那些没有归入任何modules的基因。通过plotDendroAndColors
函数可视化聚类树对应的modules, 代码如下
dynamicColors = labels2colors(dynamicMods)
plotDendroAndColors(
geneTree,
dynamicColors,
"Dynamic Tree Cut",
dendroLabels = FALSE, hang = 0.03,
addGuide = TRUE,
guideHang = 0.05,
main = "Gene dendrogram and module colors")
生成的图片如下
整个图片分为两个部分,上方为基因的聚类树,下方为识别到的modules, 不同的modules对应不同的颜色,其中灰色对应那些没有归入任何modules的基因。
通过dynamicTreeCut
识别到modules之后,还会结合每个modules的基因表达量数据,来识别相关性很高的modules, 从而进行合并,其原理是对modules进行聚类,每个module下的基因表达量是一个二维矩阵,做相关性分析我们只需要一个一维向量就可以了,可以利用PCA分析提取第一主成分来表征原始的矩阵,在WGCNA中,把每个module的表达谱数据对应的一维向量称之为Module eigengene E
。获取一维向量之后,就可以计算相关性,直接用1减去相关性作为距离,进行聚类,代码如下
MEList <- moduleEigengenes(
datExpr,
colors = dynamicColors)
MEs <- MEList$eigengenes
MEDiss <- 1-cor(MEs)
METree <- hclust(as.dist(MEDiss), method = "average")
plot(METree,
main = "Clustering of module eigengenes",
xlab = "", sub = "")
modules的聚类树示意如下
每个modules的名字用对应的颜色表示,在该聚类数中,分支长度为1减去两个module间的相关系数,在合并modules时,将高相关性的合并为一类,可以指定一个阈值,比如将相关系数大于0.8的合并为一类,在该聚类树中,对应的就是height小于0.2的modules, 对应下图红色的线
可以看到有8个modules都满足条件,在合并时,会将原本属于同一分支的modules直接合并为一个,从图上可以看出,合并后会减少4个modules。合并的代码如下
MEDissThres <- 0.2
merge <- mergeCloseModules(
datExpr,
dynamicColors,
cutHeight = MEDissThres,
verbose = 3)
mergedColors <- merge$colors
mergedMEs <- merge$newMEs
plotDendroAndColors(
geneTree,
cbind(dynamicColors, mergedColors),
c("Dynamic Tree Cut", "Merged dynamic"),
dendroLabels = FALSE,
hang = 0.03,
addGuide = TRUE,
guideHang = 0.05)
合并之后的modules 对应的图片如下
最后总结一下,WGCNA在挖掘共表达基因时,首先通过TOM
统计量将邻接矩阵转换为距离矩阵,然后聚类,利用dynamicTreeCut
的算法识别modules, 最后根据modules之间的相关性,合并modules。
扫描关注微信号,更多精彩内容等着你!