7+WGCNA+机器学习+PPI+分子对接，想要高分可以这么做！抓紧上车卷一篇！！

文章预览

‍ 导语 今天给同学们分享一篇生信文章“ Characterizing hub biomarkers for post-transplant renal fibrosis and unveiling their immunological functions through RNA sequencing and advanced machine learning techniques”，这篇文章发表在 J Transl Med 期刊上，影响因子为7.4。 结果： 使用WGCNA和差异表达分析进行筛选 为了建立临床信息和关键基因之间的联系，进行了WGCNA分析。样本显示出稳健的聚类，没有异常值。拓扑计算采用了从1到20的软阈值幂进行，确定了最佳软阈值幂为11（图1a）。利用这个软阈值幂，相关矩阵经过转换成邻接矩阵，然后转换成拓扑重叠矩阵（TOM）。利用TOM进行平均连接层次聚类，用于分类相关的基因模块，每个模块至少包含30个基因（图1b）。合并相似的基因模块，得到了六个模块的识别结果（图1c）。 交集基因的富集分析 为了揭示驱动肾纤维化发展的潜在生物学机制 ………………………………