Analys av vägda gensamuttrycksnätverk

Weighted gene coexpression network analysis (WGCNA ) , även känd som viktad korrelationsnätverksanalys , är en datautvinningsmetod baserad på parvisa korrelationer mellan variabler [2] . Metoden kan användas för att analysera ett brett spektrum av multivariata datamängder, men den används mest inom genomik [3] . Metoden gör det möjligt att bestämma moduler (kluster av samuttryckta gener ), intermodulhubbar och nätverksnoder med avseende på tillhörighet till en modul, studera relationer mellan samuttrycksmoduler och jämföra topologier för olika nätverk. WGCNA kan användas som en metod för att reducera datadimensionalitet (associerad med indirekt faktoranalys ), som en klustringsmetod , som en funktionsvalmetod (till exempel för genscreening) [3] .

Historik

WGCNA-metoden utvecklades av - professorn Steve Horvath särskilt Peter Langfelder, Bin Zhangomi och Jun Dong) och publicerades 2005. Mycket av metoden uppstod under tillämpad forskning. I synnerhet har viktade korrelationsnätverk utvecklats i samarbetsdiskussioner med cancerforskarna Paul Michel, Stanley F. Nelson och neuroforskarna Daniel Geschwind och Michael Oldham [2] . 2008 publicerades en mjukvaruimplementering av algoritmen [1] .

Operationsalgoritm

Bygga ett primärt nätverk

De initiala uppgifterna är en matris av genuttryck i flera prover , där är antalet gener, är antalet prover. För att bygga ett samuttrycksnätverk för varje par av gener beräknas likhetsparametern, , som måste ligga i . använder som standard det absoluta värdet av Pearsons korrelationskoefficient : $X_{n\times m}=[x_{il}]$ $n$ $m$ $(I j)$ ${\displaystyle s_{ij))$ $[0;1]$ ${\displaystyle s_{ij))$

$s_{ij}=|cor(x_{i},x_{j})|$ ,

där samuttrycksprofilerna för gener och består av uttrycket av generna i och j bland en uppsättning prover. För att uppnå större motstånd mot extremvärden kan man använda en "avkortad" korrelationskoefficient , och för att bevara koefficientens tecken kan man använda en enkel korrelationstransformation: , eftersom användning av korrelationens absoluta värde kan leda till förlust av biologiskt signifikant information, eftersom det är omöjligt att skilja mellan repression och genaktivering. Det visar sig likhetsmatrisen [2] . $x_{i}$ $x_{j}$ $s_{ij}={\frac {1+cor(x_{i},x_{j})}{2))$ $S_{n\times n}=[s_{ij}]$

Filtrera kanter efter vikt med mjuka, skalfria kriterier

För att beräkna nätverkets närliggande matris från likhetsmatrisen behöver du en närliggande funktion som mappar ett intervall till ett intervall . Den traditionella närliggande funktionen är funktionen för hårdtröskelsignum : $A_{n\times n}=[a_{ij}]$ $[0;1]$ $[0;1]$

$a_{ij}=signum(s_{ij},\tau )\equiv {\begin{cases}1,&s_{ij}\geq \tau \\0,&s_{ij}<\tau \end{ fall}}$

Sådan strikt kantfiltrering används vid konstruktion av oviktade nätverk, och resultatet överensstämmer med en intuitiv förståelse av konceptet med ett nätverk (anslutningen av en nod är densamma som antalet grannar som är associerade med den). Men detta tillvägagångssätt leder ofta till förlust av information: om du till exempel ställer in , kommer det inte att finnas någon koppling mellan noder med en likhetsparameter på 0,79. Sådana nätverk är således mycket känsliga för valet av hyperparameter [2] . $\tau=0.8$

Viktade nätverk har inte denna nackdel. WGCNA-algoritmen använder en effektfunktion som dess närliggande funktion :

${\displaystyle a_{ij}=power(s_{ij},\beta )\equiv |s_{ij}|^{\beta ))$

Värdet bestäms med hjälp av det topologiska skalningsfria nätverkskriteriet för heltalsvärden . För olika heltalsvärden konstrueras en linjär modell av logaritmens beroende av andelen nätverkshörn med en grad på gradens logaritm . Det minsta värdet väljs , vid vilket bestämningskoefficienten för den motsvarande linjära modellen överstiger 0,8 [2] . $\beta$ $\beta$ $\beta$ $k$ $\log(p(k))$ $log(k)$ $\beta$ $R^2$

Den "mjuka" närliggande matrisen tillåter bara en att rangordna noderna i nätverket efter styrkan i deras anslutning till noden i fråga. Om det är nödvändigt att bestämma en begränsad lista över grannar, införs ett tröskelvärde av anslutningens styrka. Denna metod för "mjuk" filtrering av nätverkskanter kallas nätverksviktning [2] .

Viktad nätverksutjämning

För att bestämma nätverkets moduler och ta bort brus utförs operationen för att utjämna nätverket. Först beräknas den topologiska likhetsmatrisen ( topologiskt överlappningsmått ) : $\Omega _{n\times n}=[\omega _{ij}]$

$\omega _{ij}={\frac {l_{ij}+a_{ij}}{\min\{k_{i},k_{j}\}+1-a_{ij}}}$ ,

där är ett element i närliggande matris, , . $a_{{ij}}$ $l_{ij}=\sum _{u}a_{iu}a_{uj}$ ${\displaystyle k_{i}=\summa _{u}a_{iu))$

$\omega _{{ij}}$ är lika med , om noden med färre grannar är ansluten till noden med fler grannar och alla grannar till noden är grannar till noden . är lika med , om noderna och inte är anslutna och inte har några gemensamma grannar. Sedan , då och . Den topologiska likheten mellan två noder återspeglar deras relativa intraconnectivity [2] . $ett$ $i$ $j$ $i$ $j$ $\omega _{{ij}}$ $0$ $i$ $j$ $0\leq a_{ij}\leq 1$ $0\leq \omega _{ij}\leq 1$

Baserat på den topologiska likhetsmatrisen byggs en olikhetsmatris : $D_{n\times n}=[d_{ij}^{\omega }]$

${\displaystyle d_{ij}^{\omega }=1-\omega _{ij))$ .

Nätverksmoduler allokeras enligt olikhetsmatrisen [2] .

Hierarkisk klustring och modulallokering

Hierarkisk klustring av olikhetsmatris [2] används för att välja nätverksmoduler . Genmoduler är grenar av det resulterande dendrogrammet . För att isolera modulerna beskärs dendrogrammets grenar. Den statiska beskärningsmetoden, som extraherar grenar under en viss tröskel som ett separat kluster, producerar moduler som är lätta att urskilja visuellt, men som inte uppfyller den strikta definitionen av begreppet "modul" [1] .

WGCNA använder metoden Dynamic Tree Cut [4] , som är en adaptiv iterativ process för att dela upp och kombinera moduler, och stoppas när antalet moduler förblir stabilt. Den initiala uppsättningen av moduler är stora moduler definierade på ett statiskt sätt. Sedan finns det en rekursiv uppdelning i undermoduler baserad på närvaron av ett mönster av fluktuationer i längden av grenar inom en källmodul. Små moduler kombineras med angränsande för att undvika överdriven fragmentering [2] .

Senare versioner av algoritmen använder ett dynamiskt hybridtillvägagångssätt , vilket möjliggör mer framgångsrik upptäckt av extremvärden i varje kluster [2] . Branscher som uppfyller följande kriterier används som början på moduler:

Innehålla åtminstone den fastställda tröskeln för barnlöv (föremål);
Objekt som ligger för långt från modulen exkluderas från den, även om de tillhör samma barngren på dendrogrammet;
Varje modul måste kunna särskiljas från sin omgivning;
Kärnan i en modul måste vara tätt sammankopplad .

Efter att ha bestämt sådana rudimentära moduler, inkluderas alla andra objekt som inte ingick i modulerna i det första steget, om möjligt, i de bildade modulerna med metoden för närmaste medoider . Objekt i samma slutmodul kanske inte är placerade bredvid varandra på dendrogrammet, men denna inkonsekvens är missvisande och följer av begränsningarna för att visa verkliga data i form av ett dendrogram [5] .

Modulvalidering

För att validera modulerna används bootstrap-analys på ofullständiga prover [2] . Endast de moduler som hittades i ett stort antal bootstrap-repliker [6] utsätts för ytterligare analys .

Tolkning av resultat

Generalisering av genuttrycksprofilen för modulen

Samuttrycksmodulen representeras av sin egen gen ( eng. eigengene ) , som är den högra singularvektorn som motsvarar det största högra singularvärdet i singulära nedbrytningen av genuttrycksmatrisen för denna modul [7] . $q$ $E^{(q)}$ $X_{n^{(q)}\times m}^{(q)}=[x_{ij}^{(q)}]$

Korrelation av moduler med externa egenskaper

För att bestämma betydelsen av påverkan av uttrycket av en gen på uttrycket av en egenskap , kan modulen för korrelationskoefficienten eller p-värdet för motsvarande korrelations- eller regressionsanalys användas . För att bestämma betydelsen av påverkan av modulgenuttryck används olika värden: $x_{i}$ $T=(T_{1},...,T_{m})$ $T:GS_{i}=|cor(x_{i},T)|$ $GS_{i}=-\log p_{i}$ $q$

Det genomsnittliga värdet av modulerna av korrelationskoefficienterna mellan genuttryck och egenskapsmanifestationer för denna modul ; $T:GS^{(q)}={\frac {1}{n^{(q)}}}\summa _{i:x_{i}\in q}^{n^{(q )}}T:GS_{i}$
Modul för självgenkorrelationskoefficient och egenskapsuttryck och motsvarande p-värde för regressionsanalys. $T:GS^{(q)}=|cor(E^{(q)},T)|$ ${\displaystyle GS^{(q)}=-\log p^{(q)))$

Ju större signifikansvärdet är, desto viktigare är den givna genen eller genmodulen för manifestationen av denna egenskap [2] . $x_{i}$ $q$ $T$

Interaktion mellan moduler

För att bedöma interaktion (samuttryck) av moduler, både parvisa korrelationer mellan modulernas egna gener och uppbyggnaden av ett metanätverk baserat på samuttrycksmatrisen av modulernas egna gener och isolering av metamoduler i detta meta-nätverk används, inklusive användning av information om manifestationen av egenskaper för att bestämma vikten av moduler [1] .

Isolering av viktiga gener

En av nyckelpunkterna i analysen av det konstruerade nätverket är valet av centrala noder (hubbar) - gener som är starkt korrelerade med många andra nätverksgener. Två nodanslutningsmått: standard och topologisk — kan beräknas både över hela nätverket (full-network connectivity, eng. whole-network connectivity ), och endast för generna i samma modul (intramodular connectivity, eng. intramodular connectivity ). Standard och topologiska fullständiga nätverk och intramodala anslutningar betecknas som , , respektive . ${\displaystyle k_{i}=\sum _{j=1}^{n}a_{ij))$ ${\displaystyle \omega _{i}=\sum _{j=1}^{n}\omega _{ij))$ $kTotal$ $\omega Totalt$ $kIM$ $\omega IM$

Användningen av intra-modulanslutning (normaliserad till det maximala värdet för anslutning inom en modul) är att föredra framför full nätverksanslutning när man jämför gener från olika moduler, eftersom en starkt kopplad gen från en liten men viktig modul kan ha ett mycket lägre värde på full nätverksanslutning jämfört med en gen som har en genomsnittlig anslutningsgrad från en stor men inte särskilt viktig modul.

I sin tur återspeglar en gens intramodulanslutningar hur ansluten eller samuttryckt genen i fråga är i förhållande till generna i denna modul. Detta mått kan tolkas som ett mått på modulmedlemskap.

Det finns också mätvärden och . Ett högt medelvärde för modulgener (till och med högre än medelvärdet ) kan betyda att denna modul är kärnan i nätverket och biologiskt viktig i de förhållanden som studeras. Ett högt värde betyder tvärtom att den totala anslutningen är större än kopplingen inom modulen, det vill säga generna som utgör denna modul är stabila och ändrar uttryck något under de studerade förhållandena [1] . $kOut=kTotal-kIM$ $kDiff=kIn-kOut$ $kIM$ $kTotal$ $kOut$

Viktat mått på att tillhöra en modul

Ett binärt mått på modulmedlemskap kanske inte är det lämpligaste måttet för vissa applikationer, så ett kontinuerligt mått på modulmedlemskap kan användas som ett mått på en gens medlemskap i en modul . Som ett sådant mått kan man använda antingen ett mått på anslutning baserat på modulernas egenvektorer, . Den senare definieras som korrelationen mellan genen och modulens egen gen : . Ett högt värde (nära eller ) indikerar ett starkt samband mellan genen och modulen , ett värde nära indikerar att genen inte tillhör modulen . Metriker och är sammankopplade: intramodala nav tenderar att ha ett högt värde för motsvarande modul [1] . $kIM$ $kME$ $x_{i}$ $q$ $E^{(q)}$ $kME\equiv K_{cor,i}^{(q)}:=cor(x_{i},E^{(q)})$ $kME$ $ett$ $-ett$ $x_{i}$ $q$ $0$ $x_{i}$ $q$ $kIM$ $kME$ $kME$

Jämförelse av viktade och ovägda korrelationsnätverk

Ett viktat korrelationsnätverk kan betraktas som ett specialfall av ett viktat nätverk , ett beroendenätverk eller ett korrelationsnätverk [2] . Analysen av viktade korrelationsnätverk har följande fördelar jämfört med oviktade nätverk:

Konstruktionen av nätverket (baserat på den mjuka tröskeln för korrelationskoefficienten) bevarar den kontinuerliga naturen hos den ursprungliga informationen om korrelationen. Till exempel kräver viktade korrelationsnätverk byggda på basis av korrelationer mellan numeriska variabler inte valet av en hård tröskel. Dikotom uppdelning av information och (hårt) val av tröskel kan leda till förlust av information [2] ;
Viktade korrelationsnätverk underlättar geometrisk tolkning baserat på vinkeltolkningen av korrelation [7] ;
Den resulterande nätverksstatistiken kan användas för att förbättra resultaten av standardmetoder för datautvinning såsom klusteranalys, eftersom olikhetsmått ofta kan omvandlas till viktade nätverk [9] [7] ;
WGCNA tillhandahåller omfattande statistik om konservatismen hos moduler som kan användas för att kvantifiera möjligheten att stöta på dem i ett annat tillstånd. Dessutom tillåter statistiken för konservatism av moduler oss att utforska skillnaderna mellan den modulära strukturen av nätverk [10] ;
Viktade nätverk och korrelationsnätverk kan ofta approximeras av faktoriserbara nätverk [11] . Sådana approximationer kan vara svåra att uppnå för glesa, oviktade nätverk. Sålunda tillåter viktade (korrelations)nätverk användning av ekonomisk parameterisering (när det gäller moduler och medlemskap i moduler) [3] [11] .

Applikation

WGCNA används ofta för att analysera genuttrycksdata, till exempel för att söka efter intermodulära nav [12] [13] .

Denna teknik används ofta som ett steg för att reducera datadimensionalitet när den tillämpas på systemgenetik, där moduler representeras av självgener [14] [15] . Modulernas egna gener kan användas för att beräkna korrelationer med experimentella data [1] .

WGCNA används i stor utsträckning inom neurovetenskap [16] [17] och för analys av genomisk data, inklusive mikroarrayer [18] , enkelcells RNA-Seq-data [19] [20] DNA-metyleringsdata , [ 21] miRNA , peptidräkning [ 22] och mikrobiotadata ( 16S rRNA -gensekvensering ) [23] . Andra applikationer inkluderar hjärnavbildningsdata såsom funktionell MR- data [24] , cancerdataanalys såsom subklassificering av gliom och deras associerade biomarkörer [25] och ciliaprestandadata [26] .

WGCNA kan användas för metaanalys av data som erhållits från olika källor [27] [28] .

Programvaruimplementering av algoritmen

R mjukvarupaket

WGCNA- mjukvarupaketet R [1] tillhandahåller funktioner för att utföra alla delar av viktad nätverksanalys (modulkonstruktion, navgenval, modulkonservatismstatistik, differentiell nätverksanalys, nätverksstatistik). WGCNA-paketet är tillgängligt från CRAN , standardförrådet för tilläggspaket för R, men WGCNA kräver att paket som är tillgängliga från Bioconductor- förrådet [29] fungerar . En separat sida är tillägnad paketet, där korta handledningar med en demonstration av paketets kapacitet publiceras [29] , och det finns också en blogg för en av författarna till metoden, där tematiska artiklar, manualer och nyheter om paketet publiceras [30] .

Exportera resultat för analys i underordnade program

Paketet innehåller funktioner för att visualisera de resulterande nätverken i VisANT och Cytoscape [31] . Paketet anRichment har också utvecklats för utökad funktionell annotering av gener i moduler som tilldelats av WGCNA [32] .

iterativeWGCNA

Det finns en förlängning av kärn-R-paketet kallad iterativeWGCNA implementerad i Python . Tillägget gör det möjligt att förbättra stabiliteten hos de upptäckta modulerna och minska informationsförlusten. För att göra detta utsätts gener som inte faller in i moduler, såväl som gener med ett svagt värde av anslutning till sina moduler, återigen för WGCNA-analys och moduler omdefinieras för dem [33] .

Analys av genomomfattande data

Analysen av samuttrycksnätverk för datauppsättningar med ett stort antal prover i en genomomfattande skala är en beräkningsmässigt svår uppgift som kräver en stor mängd RAM och beräkningstid. På grund av det faktum att i processen att bygga ett nätverk beräknas korrelationskoefficienten mellan noder, då kräver analysen av ett nätverk med noder RAM och beräkningstid [1] . Det finns två strategier för att lösa detta problem [34] . $n$ $O(n^{2})$ $O(n^{3})$

Analys av en begränsad uppsättning gener

Det är möjligt att minska antalet analyserade gener till 4000-5000, som har det högsta värdet av någon parameter: värdet på variansen av genuttrycksprofilen i datamatrisen [35] [36] , p-värdet för genuttrycksnivåtestet mellan olika grupper av prover [37] , andelen prover där genuttryck detekteras [37] och andra. De största nackdelarna med detta tillvägagångssätt är förlusten av information om de återstående generna, och felaktiga fördelningen av gener efter funktion 38] .

Heuristiska metoder för att bestämma moduler

Ett tillvägagångssätt är att först extrahera moduler från ett delprov av gener och sedan lägga till de återstående generna till de utvalda modulerna baserat på ett mått : för varje gen beräknas det med vilken av modulerna den korrelerar mest. Men om en given gen inte korrelerar med någon modul över en given tröskel, så ingår den inte i någon modul [34] . $kME$

Ett annat tillvägagångssätt är att gener i det inledande skedet delas in i block av en förutbestämd storlek med användning av metoden k-närmaste grannar , och ytterligare allokering av moduler utförs inom dessa block. De resulterande modulerna smälter samman och korrelerar med varandra enligt korrelationen mellan deras egna gener. Detta tillvägagångssätt är implementerat i WGCNA-paketet och kräver RAM och beräkningar för block av storlek [1] . $n_{b}$ $O(n_{b}^{2})$ $O(nn_{b}^{2})$

Anteckningar

↑ 1 2 3 4 5 6 7 8 9 10 11 Peter Langfelder, Steve Horvath. WGCNA: ett R-paket för viktad korrelationsnätverksanalys // BMC bioinformatik. — 2008-12-29. - T. 9 . - S. 559 . — ISSN 1471-2105 . - doi : 10.1186/1471-2105-9-559 . Arkiverad 28 april 2020.
↑ 1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 Zhang B., Horvath S. A General Framework for Weighted Gene Co-Expression Network Analysis. (engelska) // Statistical Applications in Genetics and Molecular Biology. — 2005-08-12. — Vol. 4 , iss. 1 . - doi : 10.2202/1544-6115.1128 . Arkiverad från originalet den 28 september 2020.
↑ 1 2 3 Steve Horvath. Viktad nätverksanalys: tillämpningar inom genomik och systembiologi . — New York: Springer-Verlag, 2011. — ISBN 978-1-4419-8818-8 . Arkiverad 18 september 2020 på Wayback Machine
↑ 1 2 Langfelder P., Zhang B., Horvath S. Definiera kluster från ett hierarkiskt klusterträd: Dynamic Tree Cut-biblioteket för R. // Bioinformatics . — 2007-11-16. — Vol. 24 , iss. 5 . - s. 719-720 . - doi : 10.1093/bioinformatics/btm563 . Arkiverad från originalet den 11 februari 2016.
↑ Peter Langfelder. Varför WGCNA-moduler inte alltid överensstämmer med dendrogrammet? (engelska) . Insikter från en miljard korrelationer (31 december 2018). Hämtad 19 april 2020. Arkiverad från originalet 27 september 2020.
↑ Peter Langfelder och Steve Horvath. Exempel på modulstabilitetsanalys . Snabba funktioner för korrelation och hierarkisk klustring R-kodexempel (15 oktober 2014). (obestämd)
↑ 1 2 3 Horvath S., Dong J. Geometrisk tolkning av analys av gensamuttrycksnätverk. (engelska) // PLoS Comput Biol. — 2008-08-15. — Vol. 4 , iss. 8 . - doi : 10.1371/journal.pcbi.1000117 . Arkiverad från originalet den 30 december 2014.
↑ Peter Langfelder och Steve Horvath. [ https://horvath.genetics.ucla.edu/html/CoexpressionNetwork/Rpackages/WGCNA/Tutorials/FemaleLiver-03-relateModsToExt.pdf Handledning för WGCNA-paketet för R: I. Nätverksanalys av leveruttrycksdata i honmöss 3 .Relatera moduler till extern information och identifiera viktiga gener] . Handledningar för WGCNA-paketet (2014-11-25). Hämtad 19 april 2020. Arkiverad från originalet 17 januari 2021. (obestämd)
↑ Peter Langfelder, Steve Horvath. Eigengene nätverk för att studera sambanden mellan samuttrycksmoduler // BMC Systems Biology. — 2007-11-21. - T. 1 , nej. 1 . — ISSN 1752-0509 . - doi : 10.1186/1752-0509-1-54 .
↑ Peter Langfelder, Rui Luo, Michael C. Oldham, Steve Horvath. Är min nätverksmodul bevarad och reproducerbar? // PLoS Computational Biology. — 2011-01-20. - T. 7 , nej. 1 . — S. e1001057 . — ISSN 1553-7358 . - doi : 10.1371/journal.pcbi.1001057 .
↑ 1 2 John Michael Ranola, Peter Langfelder, Kenneth Lange, Steve Horvath. Kluster- och benägenhetsbaserad approximation av ett nätverk // BMC Systems Biology. — 2013-03-14. - T. 7 , nej. 1 . - S. 21 . — ISSN 1752-0509 . - doi : 10.1186/1752-0509-7-21 .
↑ Peter Langfelder, Paul S. Mischel, Steve Horvath. När är Hub-genval bättre än standardmetaanalys? (engelska) // PLOS ONE. — 2013-04-17. — Vol. 8 , iss. 4 . — P.e61505 . — ISSN 1932-6203 . - doi : 10.1371/journal.pone.0061505 . Arkiverad från originalet den 23 mars 2022.
↑ S. Horvath, B. Zhang, M. Carlson, K.V. Lu, S. Zhu. Analys av onkogena signalnätverk i glioblastom identifierar ASPM som ett molekylärt mål // Proceedings of the National Academy of Sciences. — 2006-11-07. - T. 103 , nej. 46 . — S. 17402–17407 . - ISSN 1091-6490 0027-8424, 1091-6490 . - doi : 10.1073/pnas.0608396103 .
↑ Yanqing Chen, Jun Zhu, Pek Yee Lum, Xia Yang, Shirly Pinto. Variationer i DNA belyser molekylära nätverk som orsakar sjukdom // Nature . — 2008-03. — Vol. 452 , utg. 7186 . — S. 429–435 . — ISSN 1476-4687 . - doi : 10.1038/nature06757 . Arkiverad 25 maj 2021.
↑ Christopher L. Plaisier, Steve Horvath, Adriana Huertas-Vazquez, Ivette Cruz-Bautista, Miguel F. Herrera. Ett systemgenetiskt tillvägagångssätt implicerar USF1, FADS3 och andra kausala kandidatgener för familjär kombinerad hyperlipidemi // PLOS-genetik. — 2009-11-09. — Vol. 5 , iss. 9 . — P.e1000642 . — ISSN 1553-7404 . - doi : 10.1371/journal.pgen.1000642 . Arkiverad från originalet den 23 april 2022.
↑ Irina Voineagu, Xinchen Wang, Patrick Johnston, Jennifer K. Lowe, Yuan Tian. Transkriptomisk analys av autistisk hjärna avslöjar konvergent molekylär patologi // Nature . — 2011-06. — Vol. 474 , utg. 7351 . - s. 380-384 . — ISSN 1476-4687 . - doi : 10.1038/nature10110 . Arkiverad från originalet den 6 september 2019.
↑ Michael J. Hawrylycz, Ed S. Lein, Angela L. Guillozet-Bongaarts, Elaine H. Shen, Lydia Ng. En anatomiskt omfattande atlas över transkriptomet av den vuxna mänskliga hjärnan (engelska) // Nature. — 2012-09. — Vol. 489 , utg. 7416 . — S. 391–399 . — ISSN 1476-4687 . - doi : 10.1038/nature11405 . Arkiverad från originalet den 11 december 2019.
↑ Haja N. Kadarmideen, Nathan S. Watson-Haigh, Nicholas M. Andronicos. Systembiologi av ovine intestinal parasitresistens: sjukdomsgenmoduler och biomarkörer (engelska) // Molecular BioSystems. — 2011-01-01. — Vol. 7 , iss. 1 . — S. 235–246 . — ISSN 1742-2051 . - doi : 10.1039/C0MB00190B . Arkiverad från originalet den 15 april 2019.
↑ Lisette J.A. Kogelman, Susanna Cirera, Daria V. Zhernakova, Merete Fredholm, Lude Franke. Identifiering av samuttryckande gennätverk, regulatoriska gener och vägar för fetma baserad på fettvävnads-RNA-sekvensering i en grismodell // BMC Medical Genomics. — 2014-09-30. - T. 7 , nej. 1 . - S. 57 . — ISSN 1755-8794 . - doi : 10.1186/1755-8794-7-57 .
↑ Zhigang Xue, Kevin Huang, Chaochao Cai, Lingbo Cai, Chun-yan Jiang. Genetiska program i tidiga embryon från människor och mus avslöjade genom encellig RNA-sekvensering // Nature . — 2013-08. — Vol. 500 , iss. 7464 . — S. 593–597 . — ISSN 1476-4687 . - doi : 10.1038/nature12364 . Arkiverad från originalet den 2 december 2019.
↑ Steve Horvath, Yafeng Zhang, Peter Langfelder, René S. Kahn, Marco PM Boks. Åldrande effekter på DNA-metyleringsmoduler i mänsklig hjärna och blodvävnad // Genome Biology. — 2012-10-03. - T. 13 , nej. 10 . - S. R97 . — ISSN 1474-760X . - doi : 10.1186/gb-2012-13-10-r97 .
↑ Dyna I. Shirasaki, Erin R. Greiner, Ismael Al-Ramahi, Michelle Gray, Pinmanee Boontheung. Nätverksorganisation av huntingtin proteomic interactome i däggdjurshjärna // Neuron. — 2012-07-12. - T. 75 , nej. 1 . — s. 41–57 . — ISSN 1097-4199 . - doi : 10.1016/j.neuron.2012.05.024 . Arkiverad från originalet den 18 december 2012.
↑ Maomeng Tong, Xiaoxiao Li, Laura Wegener Parfrey, Bennett Roth, Andrew Ippoliti. En modulär organisation av den mänskliga tarmslemhinnan och dess association med inflammatorisk tarmsjukdom // PLoS ONE. — 2013-11-19. - T. 8 , nej. 11 . — ISSN 1932-6203 . - doi : 10.1371/journal.pone.0080702 .
↑ Jeanette A Mumford, Steve Horvath, Michael C. Oldham, Peter Langfelder, Daniel H. Geschwind. Upptäcka nätverksmoduler i fMRI-tidsserier: En vägd nätverksanalysmetod // NeuroImage. — 2010-10-01. - T. 52 , nej. 4 . - S. 1465-1476 . — ISSN 1053-8119 . - doi : 10.1016/j.neuroimage.2010.05.047 .
↑ AE Ivliev, PAC 't Hoen, MG Sergeeva. Samuttrycksnätverksanalys identifierar transkriptionsmoduler relaterade till proastrocytisk differentiering och spirande signalering vid gliom // Cancerforskning. — 2010-12-15. — Vol. 70 , iss. 24 . — S. 10060–10070 . — ISSN 1538-7445 0008-5472, 1538-7445 . - doi : 10.1158/0008-5472.CAN-10-2465 .
↑ Alexander E. Ivliev, Peter AC 't Hoen, Willeke MC van Roon-Mom, Dorien JM Peters, Marina G. Sergeeva. Utforska transkriptomet av cilierade celler med användning av in silicodissektion av mänskliga vävnader // PLOS ONE. — 2012-04-25. — Vol. 7 , iss. 4 . — P.e35618 . — ISSN 1932-6203 . - doi : 10.1371/journal.pone.0035618 . Arkiverad från originalet den 17 april 2022.
↑ Jeremy A. Miller, Steve Horvath, Daniel H. Geschwind. Divergens mellan transkriptom från människa och mus belyser sjukdomsvägar för Alzheimers // Proceedings of the National Academy of Sciences. — 2010-07-13. — Vol. 107 , utg. 28 . — S. 12698–12703 . - ISSN 1091-6490 0027-8424, 1091-6490 . - doi : 10.1073/pnas.0914257107 .
↑ Metaanalyser av data från två (eller flera) microarray-datauppsättningar. . horvath.genetics.ucla.edu. Hämtad 19 april 2020. Arkiverad från originalet 22 juli 2020. (obestämd)
↑ 1 2 WGCNA: R-paket för att utföra Weighted Gene Co-expression Network Analysis . horvath.genetics.ucla.edu. Hämtad 21 april 2020. Arkiverad från originalet 23 oktober 2020. (obestämd)
↑ Insikter från en miljard korrelationer . Insikter från en miljard korrelationer. Hämtad 21 april 2020. Arkiverad från originalet 10 augusti 2020.
↑ Peter Langfelder och Steve Horvath. [ https://horvath.genetics.ucla.edu/html/CoexpressionNetwork/Rpackages/WGCNA/Tutorials/FemaleLiver-06-ExportNetwork.pdf Handledning för WGCNA-paketet för R: I. Nätverksanalys av leverexpressionsdata i honmöss 6 .Exportera ett gennätverk till extern visualiseringsprogram] . Handledningar för WGCNA-paketet (25 november 2014). (obestämd)
↑ Peter Langfelder. Funktionsanrikningsanalys via R -paketet anRichment . Insikter från en miljard korrelationer (25 november 2018). Hämtad 21 april 2020. Arkiverad från originalet 4 augusti 2020.
↑ Emily Greenfest-Allen, Jean-Philippe Cartailler, Mark A. Magnuson, Christian J. Stoeckert. iterativeWGCNA: iterativ förfining för att förbättra moduldetektion från WGCNA- samuttrycksnätverk // bioRxiv . — 2017-12-14. — S. 234062 . - doi : 10.1101/234062 . Arkiverad från originalet den 9 april 2019.
↑ 1 2 Ivliev, Alexander Evgenievich. Analys av samuttrycksgennätverk för att studera transkriptomet av hjärntumörer och förutsäga genfunktioner (ryska) // Plats för skydd: Inst. A.A. Kharkevich RAS: avhandling... kandidat för biologiska vetenskaper: 03.01.09. — 2011.
↑ Angela P. Presson, Eric M. Sobel, Jeanette C. Papp, Charlyn J. Suarez, Toni Whistler. Integrated Weighted Gen Co-expression Network Analysis with a Application to Chronic Fatigue Syndrome // BMC Systems Biology. — 2008-11-06. — Vol. 2 , iss. 1 . — S. 95 . — ISSN 1752-0509 . - doi : 10.1186/1752-0509-2-95 .
↑ Anastasia Murat, Eugenia Migliavacca, Thierry Gorlia, Wanyu L. Lambiv, Tal Shay. Stamcellsrelaterad "självförnyelse"-signatur och hög epidermal tillväxtfaktorreceptoruttryck associerad med resistens mot samtidig kemoradioterapi vid glioblastom // Journal of Clinical Oncology. — 2008-06-20. - T. 26 , nej. 18 . — S. 3015–24 . — ISSN 0732-183X . - doi : 10.1200/JCO.2007.15.7164 . Arkiverad från originalet den 4 augusti 2020.
↑ 1 2 Xia Yang, Eric E. Schadt, Susanna Wang, Hui Wang, Arthur P. Arnold. Vävnadsspecifikt uttryck och reglering av sexuellt dimorfa gener hos möss (engelska) // Genome Research. - 2006-08-01. — Vol. 16 , iss. 8 . — S. 995–1004 . — ISSN 1549-5469 1088-9051, 1549-5469 . - doi : 10.1101/gr.5217506 . Arkiverad från originalet den 18 november 2019.
↑ Haiyan Hu, Xiaoman Li. Transkriptionsreglering i eukaryota ribosomala proteingener (engelska) // Genomics. — 2007-10-01. — Vol. 90 , iss. 4 . — S. 421–423 . — ISSN 0888-7543 . - doi : 10.1016/j.ygeno.2007.07.003 .

Länkar

Steve Horvath. Viktad nätverksanalys: Tillämpningar inom genomik och systembiologi. - 1. - 2011. - 414 sid. - ISBN 978-1-4419-8818-8 .
Webbplats dedikerad till WGCNA-paketet
Handledning för WGCNA
Blogg av Peter Langfelder
Webbplats dedikerad till VisANT-paketet
AnRichments webbplats
iterativt WGCNA-paketförråd