WGCNA 소개

WGCNA (Weighted Gene Co-Expression Network Analysis, weighted gene co-expression network analysis), 유사한 발현 패턴을 가진 유전자 세트 식별 (모듈), 유전자 세트와 샘플 표현형 간의 관계 분석, 유전자 세트 간의 규제 네트워크 매핑 키 식별 조절 유전자
WGCNA는 복잡한 transcriptome 데이터 (다량의 샘플)에 적합합니다.
다양한 장기 / 조직 유형 및 다양한 단계의 발달 조절과 생물학적 및 비 생물 적 스트레스의 다양한 시간 반응 메커니즘을 연구합니다.

WGCNA 원리

원칙 요약

1.유전자 공동 발현 네트워크 구축: 먼저 유전자 공동 발현 네트워크를 구축하고, 일반적으로 두 유전자 간의 발현 패턴을 사용하여 이들 간의 상관 계수를 계산 한 다음 상관 계수를 기반으로 유전자 네트워크를 구축합니다
.모듈 식별: 유전 적 관계를 구축 한 후 임계 값을 사용하여 상대적으로 가까운 유전 적 관계를 설명하고 밀접한 관계를 모듈
3 으로 나눕니다 .모듈을 외부 정보와 연결: 모듈에 기능 값 할당을 포함하여 모듈에 대한 일부 기능 분석을 수행하고 모듈의 유전자를 강화하여 기능을 탐색합니다
.4.모듈 간의 관계 연구: 모듈의 표현 패턴과 모듈의 기능을 통해 생물학적 이슈와 관련된 핵심 모듈
5 를 선별합니다 .주요 모듈에서 조절 유전자 식별: 내부 주석 유전자의 기능 및 조절 수준 간의 관계 등을 포함하여 주요 모듈의 내부 유전자를 분석하여 모듈의 주요 조절 유전자 일부를 식별합니다.

유전 적 관계 네트워크 구축

여기에 사진 설명 삽입

유전자 간의 상관 관계 계산

유전자 간 유사성 : Pearson 상관 계수를 사용하여 서로 다른 샘플의 유전자 발현을 기반으로 두 유전자 간의 상관 관계를 계산합니다.
유전자 공동 발현 유사성 매트릭스 : S = [S _ij ] (S _ij 는 유전자 i 및 유전자 j의 피어슨 상관 계수를 나타냄)
하드 임계 값 : 하나의 크기가 모두 적합하고, 두 유전자가 유사한 지 판단하기 위해 임계 값을 설정합니다 (예 : 임계 값 0.8, 상관 계수가 0.8보다 큰 경우 유사, 0.79는 유사하지 않음, one-size-fits- 0.79와 0.81은 생물학에서 크게 다르지 않기 때문에 모든 방법은 생물학적 문제를 연구하는 데 적합하지 않습니다.
Soft threshold : 가중 함수 (인접 함수)를 통해 상관 계수를 변환하여 인접 행렬 (인접 행렬)을 형성하고 행렬의 요소는 연속적입니다.
인접 함수 : 멱 함수 (멱지수 함수)
a _ij = 검정력 (S _ij , β) = lS _ij l ^β
중요한 점은 인접성 함수의 매개 변수 (β)를 결정하는 것이다 척도없는 네트워크, 척도없는 네트워크의 지수 함수 분포의 유전자 발현 네트워크 따르는 것으로 원리에 기초를.
파워 지수 함수를 만들 수 행렬의 요소 는 스케일없는 네트워크 의 원칙을 따릅니다.

스케일없는 네트워크 (전력 지수 함수는 생물학적 중요성을 준수 함)

수학에서의 네트워크 : 네트워크 다이어그램의 포인트 는 네트워크의 각 노드 를 참조 하고 정도는 포인트에 연결된 패스 수 (연결 수)를 나타냅니다.
랜덤 네트워크 : 랜덤 네트워크 : 각 노드의 정도는 상대적으로 평균이고 랜덤 네트워크의 각 노드의 연결 수는 Poisson 분포를 따르며 대부분의 노드의 연결 수는 중간에 있습니다.이 중앙값을 랜덤 네트워크의 규모
Scale-free 네트워크 : Scale-free 네트워크, 일반적인 정도보다 훨씬 많은 포인트가 적은 노드, 이러한 포인트를 허브 라고 하며, 허브는 소수의 다른 노드와 연결되어 궁극적으로 전체 네트워크를 구성합니다. 스케일 프리 네트워크에는 1 차 및 2 차 네트워크가 있음을 알 수 있으며 , 중요한 것은 허브가 중요한 노드 중 일부입니다 .
생물학적 조절 네트워크에는 매우 중요한 조절 역할을하는 유전자가 몇 개 있지만 다른 유전자는 조절 수준만큼 높지 않습니다.이 네트워크의 장점은 중요하지 않은 주변 유전자 만 파괴 될 경우 주요 기능입니다. 유기체는 파괴되지 않을 것입니다. 이것은 어떤 스트레스 나 외부 손상에 직면했을 때 유기체가 일정 시간 내에 반응 할 수 있다는 것을 의미합니다.
인접 기능의 확립은 유전자 발현 매트릭스가 비척도 네트워크에 부합하게 만들 것입니다
.-== 비늘이없는 네트워크 의 특성과 인접 함수가 유전자 발현 매트릭스가 비늘이없는 네트워크 원칙을 따르는 이유는 무엇입니까? ? ? ==
[1] 스케일없는 네트워크의 멱 법칙 분포 : 노드 연결 수가 k 인 노드의 수 h, k는 h에 반비례하고 음의 상관 관계가 있습니다. 대부분의 포인트는 연결 수가 적고 a 이 네트워크는 네트워크에 노드가없는 거리를 측정하는 척도입니다.
[2] 치료 후 유전자 상관 검정력 기능, 약간의 강력한 상관 관계, 약한 상관 관계 후 취한 n 번째 검정력, 상관 관계 축소
[3] Scale-free : 랜덤 네트워크에서 각 노드의 연결 수는 Poisson 분포를 따르며 대부분의 노드의 연결 수는 중간에 있으며이 중앙값을 랜덤 네트워크의 규모라고합니다. 비 규모 네트워크의 포인트는 연결이 매우 적습니다. 일부 포인트에는 많은 연결이 있으며 네트워크에는 네트워크의 노드 간 거리를 측정 할 수있는 스케일이 없습니다.

주요 매개 변수 β 결정

적절한 매개 변수 β를 찾아서 유전자 발현 관계가 스케일없는 네트워크를 따르고, 차수가 높은 노드의 수가 적고, 차수가 적은 노드의 수가 많을수록 좋습니다.
그리고 노드 각도 h의 노드 번호를 갖는 k 차는 멱 법칙 프로파일
멱 법칙을 따르고 ; 분포 함수가 멱 함수 흐림 (분포 밀도 함수로 인해 반드시 "모두 반환 ", 그래서 여기서의 멱 함수는 일반적으로 마이너스 1)보다 작게 지정되며 멱 법칙 분배 법칙을 만족한다고 말할 수 있습니다. 이 분포는 본질적으로 일반적인 현상입니다. 예를 들어, 지진의 크기는 일반적으로 크기가 작을수록 빈도가 커지고 크기가 클수록 빈도가 작아집니다. 지진의 크기를 독립 변수로 사용하고 발생 빈도 (또는 확률)를 종속 변수로 사용하여 (음의) 멱 함수를 따릅니다.
WGCNA에는 1, β = 1, 2부터 시작하여 β의 값을 시도 할 수있는 모델이 있습니다. . . . 멱 함수가 무엇인지 하나씩 계산할 때 모델을 사용하여 계산 한 후 어떤 β가 더 좋은지 결정합니다.
β의 타당성을 판단하는 방법
특정 β 매개 변수를 취한 후 구체적으로 k 차 노드 수의 대수 log (k)를 계산하는데, 이는 확률의 대수 log (p (k))와 음의 상관 관계가 있습니다. 노드 발생 일반적으로 상관 계수는 0.8보다 크게 설정됩니다.

β 매개 변수를 8로 설정하면 노드와 차수가 스케일이없는 네트워크와 더 일치합니다.
설정된 매개 변수 β가 다음을 충족하는지 확인하기 위해 척도없는 네트워크, 플롯 로그 ₁₀ (p (k)) 및 한편 더 나은 평가를 위해 두 모델 간의 상관 계수, 즉 R ^2를 제곱하십시오 . 모델 R ^2가 1에 가까우면 다음 사이에 좋은 선형 관계가 있습니다. 둘

유전자 간의 발현 관계 계산 (간접 관계)

전에 우리는 유전자 간의 관계 만 고려했습니다.
유기체의 유전자 관계 : 직접 관계 + 간접 관계
톰: Topological Overlap Measure (TOM)를 이용하여 유전자 간의 연관 정도를 계산하고, 두 유전자 간의 관계를 분석하는 것 외에도 생물학적 중요성이있는 두 유전자와 다른 유전자 간의 연관성을 고려합니다.
TOM 매트릭스를 설정하기 위해 인접 함수를 기반으로 두 유전자 간의 직접적인 관계를 고려하는 것 외에도 간접적 관계도 고려합니다.

TOM 공식에서 유전자 i와 j 사이의 관계를 계산하는 것은 i와 j 사이의 직접적인 관계를 고려할뿐만 아니라 세 번째 유전자 u 사이의 간접 관계도 고려합니다.

유전자 모듈 구축

Tom 값을 기반으로 동적 트리 생성 방법을 채택하여 유전자 모듈을 구축합니다.

계층 적 클러스터링

유전자 모듈의 분할은 유전자 간 연결 의 희소성 ( 유전자 간 희소성 정도로 이해 됨 )을 기반으로하며 TOM 매트릭스 (유사성)는 비 유사성 매트릭스 (비 유사성)로 변환됩니다.d _ij^w = 1-w _ij(행렬 그리기의 편의를 위해)
TOM 값을 기반으로 적합성의 계층 적 클러스터링으로 트리 구성
방법에 대한 간략한 설명 : 정적 전단 트리 및 동적 전단 트리 (동적 트리 방식 및 동적 혼합 전단 방식) WGCNA는 일반적으로 동적 전단 트리를 사용하고, R 패키지는 동적 혼합 전단 방식을 사용합니다.
정적 절단 트리: 클러스터 트리의 연속적인 가지를 정해진 고정 높이 로 단일 클러스터로 자릅니다. 이는 유전자 모듈 식별에 좋은 특이성 을 갖지만 민감도 가 낮고 유전자 모듈의 가장자리에서 유전자를 놓치기 쉽습니다.
동적 트리 방법: "위에서 아래로", 정적 방법으로 여러 개의 더 큰 모듈을 얻고, 연속적인 분해와 조합을 통해 최종 모듈을 식별합니다 (반복 반복 계산 프로세스).
동적 혼합 전단:
[1] 설정된 조건을 충족하는 기본 모듈 식별
(1) 모듈에서 미리 정의한 최소 유전자 수를 충족합니다.
(2) 클러스터의 동일한 분기에 있더라도 클러스터에서 너무 멀리 떨어져있는 유전자 , 또한 제거
(3) 각 클러스터 및 기타 주변 클러스터가 크게 다릅니다
(4) 나뭇 가지 끝에서 각 클러스터의 핵심 유전자가 밀접하게 연결되어 있습니다.
[2] 테스트 단계
(1) 할당되지 않은 유전자를 테스트하고 1 차 클러스터에 충분히 가깝다면 할당
(2) 일반적으로 WGANA는 동적 혼합 전단 방법을 사용하여

설립 과정의 매개 변수

모듈의 최소 유전자 수 (miniModuleSize)
병합 모듈의 최소 거리 (minicutHeight) : 모듈의 고유 값을 계산하고, 모듈의 고유 값을 사용하여 트리를 만들고, 높이 값 <0.2와 같이 매우 가까운 거리의 모듈을 병합합니다.
모듈 특성 값 (Epigengene): 모듈의 모든 유전자에 대해 주성분 분석 (PCA)을 수행합니다. 첫 번째 주성분의 값은 모듈의 전체 유전자 발현 수준 (발현 패턴)을 나타내는 Epigengene입니다. 모듈은 유전자로 간주 할 수 있습니다. , 모듈의 특성 값은이 유전자의 발현 값으로 볼 수 있습니다.
각 모듈의 특성 값은 모듈 간의 상관 관계를 구축하기위한 트리를 구축하는 데 사용되며 모듈은 다음에 따라 병합됩니다. 모듈 사이의 높이 값.

유전자 모듈 스크리닝

방법 1 :발현 패턴 분석-모든 샘플에서 각 모듈의 발현 패턴 분석

방법 2 :표현형 연관성 분석-유전자 모듈과 표현형 데이터 사이의 관계 분석 (이 둘 사이의 상관 계수 계산)

방법 3 :농축 분석-모듈 내 유전자의 GO 및 KEGG 기능 강화 분석 수행

방법 4 :표적 유전자-관심 대상 유전자를 기반으로 모듈 스크리닝

방법 1 : 모듈의 고유 값 표현 패턴 분석

모듈 발현 패턴 분석 : 각 샘플에서 모듈의 특성 값의 풍부함
모듈 특성 값 (Epigengene) : 모듈의 모든 유전자는 주성분 분석 (PCA)을 거치며, 첫 번째 주성분의 값은 모듈의 전체 유전자 발현 수준 (발현 패턴)을 나타내는 Epigengene입니다. 모듈은 유전자로 볼 수 있으며, 그러면 모듈의 특성 값은이 유전자의 발현 값으로 볼 수 있습니다.
샘플에 포함 된 모듈의 특성 값에 대한 긍정적 또는 부정적 표현이 높으면 모듈이 샘플과 밀접한 관련이 있음을 의미합니다.

여기에 사진 설명 삽입

방법 2 : 모듈 및 표현형 특성의 연관성 분석

모듈 유의성 (모듈 유의성, MS) : 모듈에있는 모든 유전자의 유전자 유의성 값의 평균값
유전자 유의성 (GS) : 유전자의 발현 수준과 종속 변수 수준 간의 상관 계수로,이 유전자의 발현 수준과 특정 표현형 간의 상관 계수로 이해할 수 있습니다. T test를 이용하여 각기 다른 표현형 표본 군에서 각 유전자의 차별적 발현에 대한 유의성 검정 P 값 (Pearson 상관 계수)을 계산합니다. 일반적으로 P 값은 10을 기준으로 한 로그를 사용하여 유전자 유의성 GS로 정의됩니다.
각 모듈의 MS 값과 특정 표현형 특성을 계산합니다. 한 모듈의 MS 값이 다른 모듈의 MS 값보다 상당히 높으면이 모듈과 특성간에 연관 관계가 있습니다.
모듈 고유 값 유의성 (Epigengene 유의성, ES) : 모듈의 고유 값과 특성 사이의 상관 계수 및 특성과 가장 높은 상관 관계가있는 모듈을 선택합니다.

방법 3 : 모듈 유전자의 기능적 농축 분석

각 모듈에 대해 GO 및 KEGG 기능 강화 분석을 수행하고 심층 탐구를 위해 당사의 연구 특성과 가장 밀접한 상관 관계가있는 모듈을 찾습니다.

방법 4 : 표적 유전자에 기반한 스크리닝 모듈

연구 목적, 예비 연구 결과 및 출판 된 문헌에 따라 큰 관심사 인 표적 유전자가 있으며, 표적 유전자가 위치한 유전자 모듈을 직접 선별하여 다음 분석 단계를 진행할 수있다.

주요 유전자 식별

방법 1 :모듈 내 유전자 연결성 분석

방법 2 :특정 기능 (유형) 유전자 분석

방법 3 :표적 유전자 연관 분석

방법 1 : 모듈 내 유전자 연결성 분석

Connectivity (degree) : 유전자에 연결된 다른 모든 유전자의 합 (직접 연결 + 간접 연결), 유전자와 다른 유전자 간의 연관 정도를 설명하며 일반적으로 K 값으로 표현됩니다.
모듈 내 연결 모듈 내부 연결 IC : 모듈 내 유전자와 모듈 내 다른 유전자 간의 연관 정도 (공동 발현 정도), KIM 값으로 표현 , 모듈 멤버십 (MM) 측정에 사용할 수 있음
Module Menbership MM 또는 Epigengene-bsaed connectivity KME : 모든 샘플에서 유전자의 발현 프로필과 특정 모듈 특성 값의 발현 프로필 간의 상관 관계를 사용하여이 모듈에서이 유전자의 정체성을 측정하는 모듈 식별
KME 값이 0에 가까워이 유전자가 모듈의 구성원이 아님을 나타냅니다 .KME가 1 또는 -1에 가까워이 유전자가 모듈과 밀접하게 관련되어 있음을 나타냅니다 (양성 또는 음성).
모듈의 구성원이 아닌 모든 유전자에 대해 모듈에 대한 KME 값을 계산할 수 있습니다.
KME와 KIM의 차이점 : IC는 특정 모듈에서 유전자의 정체성을 측정하고 MM은 글로벌 네트워크에서 유전자의 위치를 측정합니다.
KME와 KIM은 높은 상관 관계가 있습니다 . 특정 모듈에서 KIM 값이 높은 허브 유전자는 해당 모듈에서 높은 KME를 가져야합니다.

주요 유전자 선별 :

【1】

TOM 값 (모듈 조절 관계 테이블의 가중치 값)이 임계 값 (기본값 0.15)보다 큰 두 유전자는 관련이있는 것으로 간주하고 각 유전자의 연결 정도를 계산합니다. 강도를 먼저 선별 한 다음 연결 정도를 계산합니다.
모듈 (KME 또는 KIM)에서 상위 30 % 또는 10 % 순위를 차지하는 모듈 내부 연결 유전자
Cytoscape는 일반적으로 네트워크 다이어그램을 그리기 위해 가중치 값 (TOM 값)을 사용합니다.
[2]
유전자 유의성 GS에 상대적인 유전자 모듈 동일성 MM의 산점도를 만들고 추가 분석을 위해 오른쪽 상단에서 높은 MM 및 GS를 가진 유전자를 선택합니다.
유전자 유의성 (GS) : 유전자 발현 수준과 종속 변수 수준 간의 상관 계수로, 유전자와 표현형 특성 간의 연관 정도를 측정합니다. GS가 높을수록 표현형이 더 관련되고 생물학적으로 더 의미가 있습니다. GS는 양수 또는 음수 일 수 있습니다 (양의 상관 관계 또는 음의 상관 관계).

방법 2 : 특정 기능 (유형)에 대한 유전자 분석

연결성이 높은 유전자는 일반적으로 규제 네트워크의 상류에 위치하며, 낮은 연결성을 갖는 유전자는 일반적으로 규제 네트워크의 하류에 위치합니다.
조절 네트워크의 상류는 일반적으로 전사 인자와 같은 조절 인자이고, 하류는 일반적으로 기능적 효소 또는 단백질 분자입니다.
조절 기능이있는 유전자, 일반적으로 전사 인자에 초점을 맞 춥니 다. 이러한 유전자는 종종 핵심 유전자입니다.

방법 3 : 표적 유전자 연관 분석

연구 목적에 따라 표적 유전자의 TOM 값이 상위 10 개 유전자 또는 TOM 값이 0.2 이상인 유전자 (임계 값 설정 가능) 등 표적 유전자와 밀접한 관련이있는 유전자를 선별합니다.
표적 유전자와 상류 및 하류 규제 관계가있는 후보 유전자를 정확하게 스크리닝 할 수 있습니다.
표적 유전자가 고도로 연결되어 있지 않은 경우, 표적 유전자와 TOM이 높고 연결성이 높은 유전자를 선택할 수 있습니다.

WGCNA 가중 유전자 공동 발현 네트워크 분석 (1) 소개 및 원리