bulk-wgcna-analysis-with-omicverse

Compare original and translation side by side

🇺🇸

Original

English

🇨🇳

Translation

Chinese

Bulk WGCNA analysis with omicverse

基于omicverse的批量WGCNA分析

Overview

概述

Activate this skill for users who want to reproduce the WGCNA workflow from

t_wgcna.ipynb

. It guides you through loading expression data, configuring PyWGCNA, constructing weighted gene co-expression networks, and inspecting modules of interest.

当用户需要复现

t_wgcna.ipynb

中的WGCNA工作流时，可启用此技能。它将引导你完成表达数据加载、PyWGCNA配置、加权基因共表达网络构建以及目标模块检查等步骤。

Instructions

操作步骤

Prepare the environment

Import

omicverse as ov

scanpy as sc

matplotlib.pyplot as plt

, and

pandas as pd

Set plotting defaults via
```
ov.plot_set()
```
.

Load and filter expression data

Read expression matrices (e.g., from
```
expressionList.csv
```
).

Calculate median absolute deviation with

from statsmodels import robust

and

gene_mad = data.apply(robust.mad)

Keep the top variable genes (e.g.,

data = data.T.loc[gene_mad.sort_values(ascending=False).index[:2000]]

Initialise PyWGCNA

Create

pyWGCNA_5xFAD = ov.bulk.pyWGCNA(name=..., species='mus musculus', geneExp=data.T, outputPath='', save=True)

Confirm
```
pyWGCNA_5xFAD.geneExpr
```
looks correct before proceeding.

Preprocess the dataset
- Run
```
pyWGCNA_5xFAD.preprocess()
```
  to drop low-expression genes and problematic samples.
Construct the co-expression network
- Evaluate soft-threshold power:
```
pyWGCNA_5xFAD.calculate_soft_threshold()
```
  .
- Build adjacency and TOM matrices via
```
calculating_adjacency_matrix()
```
  and
```
calculating_TOM_similarity_matrix()
```
  .

Detect gene modules

Generate dendrograms and modules:

calculate_geneTree()

calculate_dynamicMods(kwargs_function={'cutreeHybrid': {...}})

Derive module eigengenes with

calculate_gene_module(kwargs_function={'moduleEigengenes': {'softPower': 8}})

Visualise adjacency/TOM heatmaps using
```
plot_matrix(save=False)
```
if needed.

Inspect specific modules

Extract genes from modules with

get_sub_module([...], mod_type='module_color')

Build sub-networks using

get_sub_network(mod_list=[...], mod_type='module_color', correlation_threshold=0.2)

and plot them via

plot_sub_network(...)

Update sample metadata for downstream analyses
- Load sample annotations
```
updateSampleInfo(path='.../sampleInfo.csv', sep=',')
```
  .
- Assign colour maps for metadata categories with
```
setMetadataColor(...)
```
  .
Analyse module–trait relationships
- Run
```
analyseWGCNA()
```
  to compute module–trait statistics.
- Plot module eigengene heatmaps and bar charts with
```
plotModuleEigenGene(module, metadata, show=True)
```
  and
```
barplotModuleEigenGene(...)
```
  .
Find hub genes
- Identify top hubs per module using
```
top_n_hub_genes(moduleName='lightgreen', n=10)
```
  .
Troubleshooting tips
- Large datasets may require increasing
```
save=False
```
  to avoid writing many intermediate files.
- If module detection fails, confirm enough genes remain after MAD filtering and adjust
```
deepSplit
```
  or
```
softPower
```
  .
- Ensure metadata categories have assigned colours before plotting eigengene heatmaps.

环境准备

导入

omicverse as ov

、

scanpy as sc

、

matplotlib.pyplot as plt

和

pandas as pd

库。

通过
```
ov.plot_set()
```
设置绘图默认参数。

加载并过滤表达数据
- 读取表达矩阵（例如来自
```
expressionList.csv
```
  文件）。
- 导入
```
statsmodels
```
  的
```
robust
```
  模块，通过
```
gene_mad = data.apply(robust.mad)
```
  计算中位数绝对偏差。
- 保留变异程度最高的基因（例如
```
data = data.T.loc[gene_mad.sort_values(ascending=False).index[:2000]]
```
  ）。

初始化PyWGCNA

创建PyWGCNA实例：

pyWGCNA_5xFAD = ov.bulk.pyWGCNA(name=..., species='mus musculus', geneExp=data.T, outputPath='', save=True)

。

继续操作前确认
```
pyWGCNA_5xFAD.geneExpr
```
数据格式正确。

数据集预处理
- 运行
```
pyWGCNA_5xFAD.preprocess()
```
  ，剔除低表达基因和异常样本。

构建共表达网络

计算软阈值：

pyWGCNA_5xFAD.calculate_soft_threshold()

。

通过

calculating_adjacency_matrix()

和

calculating_TOM_similarity_matrix()

构建邻接矩阵和TOM矩阵。

检测基因模块

生成树状图和模块：

calculate_geneTree()

、

calculate_dynamicMods(kwargs_function={'cutreeHybrid': {...}})

。

通过

calculate_gene_module(kwargs_function={'moduleEigengenes': {'softPower': 8}})

推导模块特征基因。

若需要，使用
```
plot_matrix(save=False)
```
可视化邻接/TOM热图。

检查特定模块

通过

get_sub_module([...], mod_type='module_color')

提取模块中的基因。

使用

get_sub_network(mod_list=[...], mod_type='module_color', correlation_threshold=0.2)

构建子网络，并通过

plot_sub_network(...)

绘制子网络图。

更新样本元数据以用于下游分析
- 加载样本注释信息：
```
updateSampleInfo(path='.../sampleInfo.csv', sep=',')
```
  。
- 通过
```
setMetadataColor(...)
```
  为元数据类别分配颜色映射。
分析模块与性状的关联
- 运行
```
analyseWGCNA()
```
  计算模块与性状的统计关系。
- 使用
```
plotModuleEigenGene(module, metadata, show=True)
```
  和
```
barplotModuleEigenGene(...)
```
  绘制模块特征基因热图和柱状图。
寻找枢纽基因
- 通过
```
top_n_hub_genes(moduleName='lightgreen', n=10)
```
  识别每个模块中的顶级枢纽基因。
故障排除提示
- 处理大型数据集时，可设置
```
save=False
```
  以避免生成过多中间文件。
- 若模块检测失败，确认MAD过滤后剩余足够数量的基因，并调整
```
deepSplit
```
  或
```
softPower
```
  参数。
- 绘制特征基因热图前，确保已为元数据类别分配颜色。

Examples

示例

"Build a WGCNA network on the 5xFAD dataset, visualise modules, and extract hub genes from the lightgreen module."
"Load sample metadata, update colours for sex and genotype, and plot module eigengene heatmaps."
"Create a sub-network plot for the gold module using a correlation threshold of 0.2."

"基于5xFAD数据集构建WGCNA网络，可视化模块并提取lightgreen模块中的枢纽基因。"
"加载样本元数据，更新性别和基因型的颜色配置，并绘制模块特征基因热图。"
"以0.2为相关阈值，绘制gold模块的子网络图。"

References

参考资料

Tutorial notebook:
```
t_wgcna.ipynb
```
Tutorial dataset:
```
data/5xFAD_paper/
```
Quick copy/paste commands:
```
reference.md
```

教程笔记本：
```
t_wgcna.ipynb
```
教程数据集：
```
data/5xFAD_paper/
```
快速复制命令：
```
reference.md
```