模块分析和关联网络这可能更像是一个“愿望清单”帖子，但我对在 JMP 中使用 OMICS 数据集（在我的例子中是蛋白质浓度数据）进行相关网络分析的能力感兴趣。 有一种流行的方法称为 WGCNA（加权基因共表达网络分析） ，描述如下（来自https://horvath. Genetics.ucla.edu/html/CoexpressNetwork/Rpackages/WGCNA/ 
“相关网络越来越多地用于生物信息学应用。 例如，加权基因共表达网络分析是一种系统生物学方法，用于描述跨微阵列样本的基因之间的相关模式。 加权相关网络分析（WGCNA）可用于查找高度相关基因的簇（模块），使用模块特征基因或模块内中心基因总结此类簇，将模块相互关联以及与外部样本性状相关（使用特征基因网络）方法），并用于计算模块成员资格度量。 相关网络促进基于网络的基因筛选方法，可用于识别候选生物标志物或治疗靶点。 这些方法已成功应用于各种生物学背景，例如癌症、小鼠遗传学、酵母遗传学和脑成像数据分析。 虽然相关网络方法的部分内容已在单独的出版物中进行了描述，但仍需要提供用户友好、全面且一致的软件实现以及随附的教程。”
在我看来，这只是一种通过协方差进行聚类的奇特方式，我确实知道如何使用 JMP Pro 14 来实现这一点（我已经研究了整个样本集的聚类=生物重复以及浓度我的各种蛋白质的聚类）在每个样品中测量）。 基本上，我喜欢作者在我所附的第一张图中所做的事情：
：根据协方差将基因聚类到模块中，然后查看与分类属性（时间、温度和耐热性）的相关性。 在此示例中，dakgre 模块包含 2,053 个基因，并且与温度呈正相关。 我觉得这种“性感”的生物信息学分析应该可以在 JMP Pro（甚至常规 JMP）中实现，对吗？ 我想知道他们的“模块成员资格度量”本质上是否是特征向量值或类似的东西。 从我的数据来看
样本（左侧）根据其蛋白质组图谱分为两个簇，而在 x 轴上，您可以看到 10-12 个一般蛋白质簇（我可以转置数据集并为每个蛋白质分配一个簇）。
基本上，我想查看此附加数据集中温度、时间和基因型之间的模块（簇？）相关性，以便我可以识别与这些感兴趣的实验因素相关的蛋白质簇。 实际上似乎偏最小二乘也可以用于此目的......有什么想法吗？
回复：模块分析和关联网络因此，作为更新，我更多地尝试了这一点，看来简单地按蛋白质进行聚类（建议的初始步骤之一）确实给了我所需的信息。 通过观察簇树，我设置了四个簇并将它们导出。 我基本上没有采用集群平均值，而是手动寻找趋势。 这样做是因为，在过滤掉大量的低质量蛋白质后，我只剩下 40 种。 换句话说，通过对该子集进行严格的 FDR 反应筛选，我注意到一个簇的蛋白质受珊瑚颜色影响，另一个簇的蛋白质受温度和时间影响，第四簇的蛋白质不受治疗影响。 它本身与 WGCNA 不同，因为我实际上没有进行任何回归，但最终，我得到了我想要的信息！ 我认为对于更大的数据集（我将来将会拥有），进行 WGCNA 类型的分析可能更有意义，尽管我担心将处理转换为数字，特别是只有很少的处理（最大 2-3 个温度） ）。 我认为 WGCNA 更有意义的不是寻找治疗效果（其他统计方法更好），而是将分子数据与来自相同样本的生理数据相关联。 一旦我从这些样本中获得珊瑚生长数据，这将产生一个可能更合适的响应变量来比较聚类平均值。
如果JMP Genomics真的可以做这些这样的分析，我可能需要更详细地探索......回复：模块分析和关联网络拉斯，
哇，谢谢你这么仔细地考虑这个问题。 我现在有类似的数据，但完全定量（见附件）。 然而，一个问题可能是这些蛋白质组数据集比 mRNA 数据集小得多。 在此示例中，只有 40 种蛋白质（尽管根据样本的不同，可能有数百种）。 但是，如果没有别的事，我至少可以通过你精心绘制的管道。 它确实触及了我真正的问题，即：WGCNA 是否真的只是将分子簇的平均值与生理参数进行回归，根据您的回答，这确实基本上就是这样。 我今天将详细讨论这一点，并向此处报告问题/评论/等。再次感谢您的帮助，请继续关注更多信息。
回复：模块分析和关联网络不错的分析@abmayfield ——你已经把那个 JMP 表搞砸了！由于只有 12 个观察值和 769 种蛋白质的二元存在/不存在，重要的是不要过度拟合或过度解释，但这里有更多的想法：
-以下步骤应产生 WGCNA 风格的分析：
1.转置，删除四个质量较差的样本
2.分层聚类，像您已经完成的那样以两种方式获取热图
3.以交互方式选择簇的数量（着色可以提供帮助）并将簇保存为新列
4.总结得到簇中所有变量的平均值，这是每个簇的平均蛋白质谱，又名特征蛋白。运行Summary时，将“column”指定为“统计列名格式”，以方便下一步操作。
5.转回并与实验因素合并
6.创建实验因素的数字版本
7.多变量
-更有原则性和更强大的方法是同时将方差分析模型与所有三个因素进行拟合。 需要小心有限的自由度。您可以使用特征蛋白和拟合模型来做到这一点。您也可以使用原始蛋白质来完成此操作，但大量报告可能会很麻烦。这种情况下的主要技巧是右键单击任何报告表 > 创建组合数据表。
- JMP Genomics 的“逐行建模”菜单具有更全面的工作流程和交互式仪表板输出。您甚至可以做混合模型（例如使基因型成为随机效应）。JMP Genomics 还有许多其他有用的例程，因为它是为像这样的高通量数据集而设计的。
-在结构方程模型或偏相关图插件中使用重要的感兴趣蛋白质和/或前面的特征蛋白来推断潜在的因果关系
-如果您有蛋白质的通路注释，请计算基于通路的分数，然后根据实验因素对其进行分析。
-尝试使用 MJguan 的插件来进行基于 t-SNE 和 UMAP 的低维投影。
-对于 PLS，我认为您首先需要使用 Cols > Utilities > Make Indicator Columns 为所有实验因素创建二进制指示变量
-运行分析 > 筛选 > 响应筛选以拟合所有 Y x X 组合，并根据 FDR 调整的 p 值选择蛋白质。 我尝试过，没有任何统计意义，但有十几种蛋白质的原始 p 值较小。
-如果您可以获得蛋白质表达的连续测量而不是存在/不存在，则前面的分析应该提供更多信息。
