干了七年geo，我见过太多人拿到GEO数据就头大。很多人一上来就对着那几千个基因名发呆，然后试图直接跑WGCNA。结果呢？要么报错报到你怀疑人生，要么画出来的网络图像一团乱麻，根本解释不通。今天我就掏心窝子说说，geo数据如何做wgcna，这不仅仅是跑个代码，更是一场对数据的“清洗”与“重构”。
先说个真事儿。去年有个学生找我，说他跑出来的模块颜色全是灰的，没意义。我一看他的原始数据，好家伙，原始表达矩阵里全是负数，而且样本量才8个。我跟他说，兄弟，WGCNA对样本量是有要求的，一般建议至少15-20个以上，太少的话网络稳定性极差。这就是典型的“垃圾进，垃圾出”。
那到底该怎么一步步来呢？听我慢慢道来。
第一步，数据获取与预处理。别急着下载，先去GEO官网看清楚平台信息。如果是Affymetrix芯片，一定要用对应的annotation包做探针ID到基因Symbol的转换。这里有个大坑，很多探针对应多个基因，或者多个探针对应一个基因。这时候千万别随便取平均，最好用“max mean”或者“median”的方式，保留表达量最高的那个探针，或者取均值。这一步做不好，后面全白搭。
第二步，异常样本剔除。这是最关键的一步，也是很多人忽略的。拿到表达矩阵后，先画个热图看看。如果有个样本跟其他样本聚类离得老远，或者PCA分析里它是个明显的outlier，果断删掉！别心疼样本，一个坏样本能毁掉整个网络结构。记得要检查批次效应，如果有明显的批次差异，用ComBat或者sva包校正一下。这一步做扎实了，你的数据才算是“干净”的。
第三步，构建共表达网络。这时候才轮到WGCNA登场。选择软阈值幂次（soft thresholding power）是个技术活。别瞎猜，用pickSoftThreshold函数跑一下，看scale-free topology fit index。一般选R^2 > 0.8或者0.9对应的幂次。我见过有人为了追求高R^2，选了个巨大的幂次，结果导致网络太稀疏，模块数少得可怜。记住，平衡才是王道。
第四步，模块识别与特征提取。用dynamicTreeCut函数切割树状图，得到不同的颜色模块。这时候你会看到一堆颜色块，每个颜色代表一个基因模块。接下来，计算每个模块与临床性状的相关性。找出那些与你的疾病或表型高度相关的模块，比如“蓝色模块”与“肿瘤分期”相关性r=0.8，p<0.001。这个模块里的基因，就是你要重点关注的候选基因。
第五步，Hub基因筛选。在相关模块里，计算每个基因的连接度（connectivity）。连接度最高的那些基因，就是Hub基因。它们通常是生物过程中的关键调控因子。这时候，你可以拿这些Hub基因去做GO和KEGG富集分析，看看它们参与了什么通路。如果富集结果很清晰，比如都富集在“细胞周期”或“免疫反应”，那你的分析就很有说服力了。
很多人问，geo数据如何做wgcna才能发高分文章？其实核心不在于代码多复杂，而在于你对数据的理解有多深。不要为了分析而分析，要结合生物学背景去解读结果。比如，你发现某个Hub基因在之前文献里被报道过与某种药物敏感相关，那你就可以进一步讨论它的临床意义。
最后提醒一句，WGCNA的结果只是假设，最终还需要湿实验验证。别把网络图当成真理，它只是一个线索。希望这篇关于geo数据如何做wgcna的经验分享，能帮你少走弯路。如果你还在为数据清洗头疼，或者不知道如何解释模块功能，不妨多看看经典文献里的处理流程，模仿是学习的开始。加油吧，科研人！
