主要观点总结
本文总结了学习笔记：WGCNA代码实操之正式阶段，涉及软阈值的筛选、一步构建网络、保存每个模块对应的基因、模块与表型的相关性、GS与MM、TOM、模块与表型的相关性等方面的内容。
关键观点总结
关键观点1: 软阈值的筛选
介绍如何筛选软阈值，包括使用powers和sft变量进行操作，以及如何根据图表选择适合的阈值。
关键观点2: 一步构建网络
描述如何使用power参数构建网络，以及如何根据结果调整参数如deepSplit、minModuleSize和mergeCutHeight等。
关键观点3: 保存每个模块对应的基因
介绍如何保存每个模块对应的基因，包括使用gm变量存储基因信息，以及将基因数据保存为Rdata文件。
关键观点4: 模块与表型的相关性
解释如何计算基因与表型的相关性矩阵，以及如何绘制热图展示模块与表型的关系。
关键观点5: GS与MM
介绍模块里的每个基因与形状的相关性（GS）和每个基因和所在模块之间的相关性（MM），以及如何绘制散点图展示两者之间的关系。
关键观点6: TOM
解释如何使用基因相关性热图的方式展示加权网络，并介绍如何计算基因之间的距离树和绘制TOM图。
关键观点7: 模块与表型的再次相关性分析
将性状age和其他各种模块进行聚类，通过绘制Eigengene网络和热图来展示模块与表型的相关性。
文章预览
学习笔记总结于『生信技能树』马拉松课程 GEO数据挖掘系列，第21篇学习笔记：WGCNA代码实操之正式阶段 为了无缝衔接上一篇学习笔记，该文中的序号将接着上一篇来标注 3.WGCNA正式开始 以下代码将不用再做太多修改 3.1 软阈值的筛选 情况一：能得到推荐值 设置一系列软阈值，范围是1-30之间，后面的数没必要全部画，就seq一下 powers = c(1:10, seq(from = 12, to=30, by=2)) sft = pickSoftThreshold(datExpr, powerVector = powers, verbose = 5) sft $powerEstimate #如果自己没有合适的阈值，此行代码将算出一个值 sft$powerEstimate 的结果就是推荐的软阈值，拿到了可以直接用，无视下面的图4 情况二：没能得到推荐值 有的数据 sft$powerEstimate 的结果是1或NA，极少情况用1作为阈值，而NA就是没有推荐的意思 那就要运行以下代码，看画出来的图4，选拐点了。以下代码不需要改动，
………………………………
