模組分析和關聯網絡這可能更像是一個「願望清單」帖子，但我對在 JMP 中使用 OMICS 數據集（在我的例子中是蛋白質濃度數據）進行相關網絡分析的能力感興趣。 有一種流行的方法稱為 WGCNA（加權基因共表達網絡分析） ，描述如下（來自https://horvath. Genetics.ucla.edu/html/CoexpressNetwork/Rpackages/WGCNA/ 
「相關網路越來越多地用於生物資訊學應用。 例如，加權基因共表達網絡分析是一種系統生物學方法，用於描述跨微陣列樣本的基因之間的相關模式。 加權相關網絡分析（WGCNA）可用於查找高度相關基因的簇（模組），使用模組特徵基因或模組內中心基因總結此類簇，將模組相互關聯以及與外部樣本性狀相關（使用特徵基因網絡）方法），並用於計算模組成員資格度量。 相關網路促進基於網路的基因篩選方法，可用於識別候選生物標記或治療標靶。 這些方法已成功應用於各種生物學背景，例如癌症、小鼠遺傳學、酵母遺傳學和腦部造影數據分析。 雖然相關網路方法的部分內容已在單獨的出版物中進行了描述，但仍需要提供用戶友好、全面且一致的軟體實現以及隨附的教程。”
在我看來，這只是一種透過協方差進行聚類的奇特方式，我確實知道如何使用JMP Pro 14 來實現這一點（我已經研究了整個樣本集的聚類=生物重複以及濃度我的各種蛋白質的聚類）在每個樣品中測量）。 基本上，我喜歡作者在我所附的第一張圖中所做的事情：
：根據協方差將基因聚類到模組中，然後查看與分類屬性（時間、溫度和耐熱性）的相關性。 在此範例中，dakgre 模組包含 2,053 個基因，並且與溫度呈正相關。 我覺得這種「性感」的生物資訊分析應該可以在 JMP Pro（甚至常規 JMP）中實現，對嗎？ 我想知道他們的“模組成員資格度量”本質上是否是特徵向量值或類似的東西。 從我的數據來看
樣本（左側）根據其蛋白質組圖譜分為兩個簇，而在x 軸上，您可以看到10-12 個一般蛋白質簇（我可以轉置資料集並為每個蛋白質分配一個簇） 。
基本上，我想查看此附加資料集中溫度、時間和基因型之間的模組（簇？）相關性，以便我可以識別與這些感興趣的實驗因素相關的蛋白質簇。 實際上似乎偏最小二乘也可以用於此目的......有什麼想法嗎？
回覆：模組分析和關聯網絡因此，作為更新，我更多地嘗試了這一點，看來簡單地按蛋白質進行聚類（建議的初始步驟之一）確實給了我所需的資訊。 透過觀察簇樹，我設定了四個簇並將它們匯出。 我基本上沒有採用群集平均值，而是手動尋找趨勢。 這樣做是因為，在過濾掉大量的低品質蛋白質後，我只剩下 40 種。 換句話說，透過對該子集進行嚴格的 FDR 反應篩選，我注意到一個簇的蛋白質受珊瑚顏色影響，另一個簇的蛋白質受溫度和時間影響，第四簇的蛋白質不受治療影響。 它本身與 WGCNA 不同，因為我實際上沒有進行任何回歸，但最終，我得到了我想要的資訊！ 我認為對於更大的數據集（我將來將擁有），進行 WGCNA 類型的分析可能更有意義，儘管我擔心將處理轉換為數字，特別是只有很少的處理（最大 2-3 個溫度） ）。 我認為 WGCNA 更有意義的不是尋找治療效果（其他統計方法更好），而是將分子數據與來自相同樣本的生理數據相關聯。 一旦我從這些樣本中獲得珊瑚生長數據，這將產生一個可能更合適的反應變數來比較聚類平均值。
如果JMP Genomics真的可以做這些這樣的分析，我可能需要更詳細地探索...回覆：模組分析和關聯網絡拉斯，
哇，謝謝你這麼仔細地考慮這個問題。 我現在有類似的數據，但完全定量（見附件）。 然而，一個問題可能是這些蛋白質組數據集比 mRNA 數據集小得多。 在此範例中，只有 40 種蛋白質（儘管根據樣本的不同，可能有數百種）。 但是，如果沒有別的事，我至少可以通過你精心繪製的管道。 它確實觸及了我真正的問題，即：WGCNA 是否真的只是將分子簇的平均值與生理參數進行回歸，根據您的回答，這確實基本上就是這樣。 我今天將詳細討論這一點，並向此處報告問題/評論/等。再次感謝您的幫助，請繼續關注更多資訊。
回覆：模組分析和關聯網絡不錯的分析@abmayfield ——你已經把那個 JMP 表搞砸了！由於只有 12 個觀察值和 769 種蛋白質的二元存在/不存在，重要的是不要過度擬合或過度解釋，但這裡有更多的想法：
-以下步驟應產生 WGCNA 風格的分析：
1.轉置，刪除四個品質較差的樣本
2.分層聚類，像您已經完成的那樣以兩種方式獲取熱圖
3.以互動方式選擇簇的數量（著色可以提供幫助）並將簇儲存為新列
4.總結得到簇中所有變數的平均值，這是每個簇的平均蛋白質譜，又稱為特徵蛋白。執行Summary時，將“column”指定為“統計列名格式”，以方便下一步操作。
5.轉回並與實驗因素合併
6.創建實驗因素的數位版本
7.多變數
-更有原則性和更強大的方法是同時將變異數分析模型與所有三個因素進行擬合。 需要小心有限的自由度。您可以使用特徵蛋白和擬合模型來做到這一點。您也可以使用原始蛋白質來完成此操作，但大量報告可能會很麻煩。這種情況下的主要技巧是右鍵單擊任何報告表 > 建立組合資料表。
- JMP Genomics 的「逐行建模」選單具有更全面的工作流程和互動式儀表板輸出。您甚至可以做混合模型（例如使基因型成為隨機效應）。JMP Genomics 還有許多其他有用的例程，因為它是為像這樣的高通量資料集而設計的。
-在結構方程模型或偏相關圖插件中使用重要的興趣蛋白質和/或前面的特徵蛋白來推斷潛在的因果關係
-如果您有蛋白質的通路註釋，請計算基於通路的分數，然後根據實驗因素進行分析。
-嘗試使用 MJguan 的插件來進行基於 t-SNE 和 UMAP 的低維投影。
-對於 PLS，我認為您首先需要使用 Cols > Utilities > Make Indicator Columns 為所有實驗因素建立二元指示變量
-執行分析 > 篩選 > 反應篩選以擬合所有 Y x X 組合，並根據 FDR 調整的 p 值選擇蛋白質。 我嘗試過，沒有任何統計意義，但有十幾種蛋白質的原始 p 值較小。
-如果您可以獲得蛋白質表現的連續測量而不是存在/不存在，則前面的分析應該提供更多資訊。
