WGCNA在单细胞空间数据分析中的运用

WGCNA在单细胞空间数据分析中的运用

引用

CSDN

1.

https://blog.csdn.net/weixin_53637133/article/details/144351957

WGCNA（加权基因共表达网络分析）是一种强大的生物信息学工具，用于分析基因表达数据，特别是识别基因间的共表达模式，寻找与特定表型（如疾病、临床特征）相关的基因模块，并提供对生物学过程的深入理解。其主要目标是通过构建加权基因共表达网络，找出在不同样本或条件下表现出相似表达模式的基因模块，进而揭示基因与生物学现象的关系。

WGCNA的基本应用

1. 基因模块的识别

WGCNA最重要的应用之一是基因模块的识别，即识别在不同样本（如不同疾病状态、不同时间点等）下表现出相似表达模式的基因集合。基因模块通常反映了某些特定的生物学过程或功能通路。

步骤：

• 计算基因相关性矩阵：首先计算每对基因之间的相关性，通常使用 Pearson 相关系数。
• 构建加权网络：使用相关性矩阵构建加权网络（每对基因之间的边权重与基因间的相关性成正比）。
• 识别基因模块：通过层次聚类分析识别基因模块，即将在网络中密切连接的基因聚集到一起，形成模块。

应用案例：

• 癌症研究：通过分析癌症样本中的基因共表达模式，识别与癌症相关的基因模块。例如，可以通过 WGCNA 找到与肿瘤侵袭性、免疫逃逸或化疗耐药性相关的基因模块。
• 植物基因组学：识别在不同环境条件下调控植物生长的基因模块，例如水分应激响应、光照调控等。

2. 与临床表型的关联分析

WGCNA的另一重要应用是通过分析基因模块与临床表型（如疾病状态、临床特征、患者生存期等）的关系，揭示基因模块与疾病的关联。这一方法常用于疾病生物标志物的发现。

步骤：

• 计算模块-表型关联：通过将每个基因模块的模块特征值（即模块中基因的加权平均表达值）与临床数据进行相关分析，评估每个基因模块与临床表型的相关性。
• 模块选择与富集分析：根据模块与表型的相关性进行筛选，选出与临床特征显著相关的模块，并进行 GO 和 KEGG 富集分析，探究这些模块的生物学意义。

应用案例：

• 癌症生物学：例如，在乳腺癌、肺癌等癌症研究中，可以通过 WGCNA 识别与患者生存期、免疫反应、肿瘤分期等临床特征相关的基因模块。
• 神经退行性疾病：在阿尔茨海默病或帕金森病的研究中，WGCNA 被用于识别与认知功能、病理特征（如神经纤维缠结、β-淀粉样蛋白积累）等表型相关的基因模块。

3. 生物学功能分析

一旦识别出基因模块，可以对这些模块进行功能富集分析，揭示它们在特定生物学过程中所起的作用。这通常通过 GO（Gene Ontology）和 KEGG（Kyoto Encyclopedia of Genes and Genomes）等数据库进行。

步骤：

• 功能富集分析：对于与表型或疾病相关的模块，使用 GO 和 KEGG 富集分析工具，推测这些模块可能涉及的生物学过程、分子功能、细胞组分以及相关的信号通路。

应用案例：

• 肿瘤免疫：通过对与肿瘤免疫反应相关的基因模块进行功能富集分析，揭示可能与肿瘤免疫逃逸相关的基因通路。
• 细胞周期调控：在研究细胞增殖和分裂的过程中，WGCNA 可以帮助识别与细胞周期相关的基因模块，并通过富集分析找到这些基因涉及的调控机制。

4. 多组学数据整合

WGCNA还可以用于多组学数据整合，将基因表达数据与其他组学数据（如表观遗传学数据、蛋白质组学数据、代谢组学数据）结合，帮助揭示不同层次的生物学调控网络。

步骤：

• 跨组学数据整合：将不同组学的数据整合后，构建基因共表达网络，找出不同数据层次之间的共表达模块。
• 跨组学功能富集分析：根据不同组学的数据，分析模块的功能，并对数据进行整合和验证。

应用案例：

• 癌症研究：在癌症的多组学分析中，WGCNA 可以整合基因表达数据与突变、表观遗传变异等数据，发现与癌症相关的调控模块。
• 代谢疾病：在糖尿病、肥胖症等代谢疾病的研究中，结合基因表达和代谢数据，可以发现新的疾病标志物和调控机制。

5. 疾病相关基因的筛选

WGCNA可以帮助筛选出与疾病或临床表型高度相关的基因模块，并进一步通过基因筛选、功能验证等方法，发现潜在的疾病相关基因。

步骤：

• 筛选疾病相关模块：根据 WGCNA 识别的基因模块，与疾病或临床特征进行相关性分析，筛选出与疾病显著相关的模块。
• 基因筛选与验证：从相关模块中筛选出关键基因，并通过实验验证它们在疾病中的作用。

应用案例：

• 基因标志物发现：通过 WGCNA 识别与肿瘤患者生存期相关的基因模块，从中筛选出关键基因并进行实验验证，作为新的癌症生物标志物。
• 自闭症谱系障碍：通过 WGCNA 分析大脑组织的基因表达数据，筛选出与自闭症谱系障碍相关的基因模块。

WGCNA在单细胞数据中的应用

在单细胞 RNA-seq（scRNA-seq）数据中，WGCNA可以帮助识别细胞类型特异性的基因模块，并进一步探讨这些模块与细胞状态或疾病的关系。

步骤：

• 单细胞 WGCNA：对于每个细胞（或每个细胞群体），识别在不同细胞类型中共表达的基因模块。
• 细胞类型与模块关联分析：通过将模块与细胞类型、发育状态、疾病等表型进行关联，找出与细胞特征相关的基因模块。

应用案例：

• 肿瘤免疫细胞群体：通过在肿瘤微环境中的单细胞数据中应用 WGCNA，识别与免疫细胞反应相关的基因模块。
• 神经发育研究：在大脑发育过程中，WGCNA 可以识别不同发育阶段的细胞类型特异性基因模块，揭示神经元发育的分子机制。

在单细胞数据中，由于细胞数目和基因数目庞大，WGCNA需要处理稀疏、高维数据，并能够区分细胞间的表达异质性。scWGCNA的核心在于能够识别细胞类型特异性的基因模块，这对于理解细胞异质性和复杂疾病机制具有重要意义。