5. 网络可视化

5.1. 导入处理的数据：

首先，导入准备好的样本表达数据datExpr、临床信息datTraits以及构建的网络和模块networkConstruction-auto.RData：

# 设定工作目录
setwd("/home/cxt/data/R/")
# 导入包
library(WGCNA)
# 设置将strings不要转成factors
options(stringsAsFactors=F)

# 允许使用最大线程
allowWGCNAThreads()
# 或者直接指定线程数
# enableWGCNAThreads(nThreads=16)

# 导入表达与临床数据
lnames = load(file = "dataInput.RData");
lnames
# 导入共表达网络及模块
lnames = load(file = "networkConstruction-auto.RData");
lnames
nGenes = ncol(datExpr)
nSamples = nrow(datExpr)

5.2. Gene Network可视化

可视化加权网络的一种方法是绘制其热图。如下面的图1所示，热图的每行和每列对应一个基因，热图可以描绘邻接或拓扑重叠，浅色表示低邻接（重叠），深色表示较高邻接（重叠）。 此外，基因聚类树和模块可以沿热图的顶部和左侧绘制。 目前WGCNA提供了创建此类网络图的便捷功能。

我们可以通过下面的代码创建图1，但是注意，下面的代码适用于通过自动法和逐步法创建的网络和识别的模块，如果你用的分块法，就需要分别在每个块中执行可视化。

# 重新计算拓扑重叠:通过保存TOM可以更有效地实现这一点
# 重复模块检过程
dissTOM = 1-TOMsimilarityFromExpr(datExpr, power = sft$powerEstimate);
# 使用powe转换dissTOM，使中等强度的连接在heatmap中更加可见
plotTOM = dissTOM^sft$powerEstimate;
# 将对角线设为NA，这样画的更好
diag(plotTOM) = NA;
# 调用绘图函数
sizeGrWindow(9,9)
TOMplot(plotTOM, geneTree, moduleColors, main = "Network heatmap plot, all genes")

注意，生成热图图可能需要大量的时间。可以通过限制基因数量来加速作图;然而，一个基因子集的基因树谱往往与所有基因的基因树谱不同。在下面的例子中，我们将绘制的基因数量限制为400：

nSelect = 400
# 为了重现性，我们设置随机种子
set.seed(10);
select = sample(nGenes, size = nSelect);
selectTOM = dissTOM[select, select];
# 没有一种简单的方法可以将聚类树限制为基因的子集，因此我们必须重新聚类。
selectTree = hclust(as.dist(selectTOM), method = "average")
selectColors = moduleColors[select];
# 打开绘图窗口
sizeGrWindow(9,9)
# 将dissimilarity转化为power，比如10，通过有效地改变，可以让情节更加丰富 
# 调色板;将对角线设置为NA也可以提高剧情的清晰度
plotDiss = selectTOM^sft$powerEstimate;
diag(plotDiss) = NA;
TOMplot(plotDiss, selectTree, selectColors, main = "Network heatmap plot, selected genes")

5.3. Eigengenes Network可视化

研究发现的模块之间的关系通常很有趣。可以用特征基因作为代表谱，通过特征基因相关来量化模块相似性。目前WGCNA提供了一个方便的函数ploteigengenetworks，它生成一个特征基因网络的摘要图。将一个临床特征(或多个特征)添加到特征基因中，看看这些特征如何与特征基因网络相适应：

# 重新计算module eigengenes
MEs = moduleEigengenes(datExpr, moduleColors)$eigengenes
# 从临床特征中分离出体重
weight = as.data.frame(datTraits$weight_g);
names(weight) = "weight"
# 将体重添加到现有的module eigengenes
MET = orderMEs(cbind(MEs, weight))
# 绘制特征基因与临床特征（体重）之间的关系
sizeGrWindow(5,7.5);
par(cex = 0.9)
plotEigengeneNetworks(MET, "", marDendro = c(0,4,1,2), marHeatmap = c(3,4,1,2), cex.lab = 0.8, xLabelsAngle
= 90)

该函数生成特征基因和临床特征的树状图，以及它们之间关系的热图。获得聚类树和热图的一部分，可以使用以下代码：

# 绘制聚类提
sizeGrWindow(6,6);
par(cex = 1.0)
plotEigengeneNetworks(MET, "Eigengene dendrogram", marDendro = c(0,4,2,0),
                      plotHeatmaps = FALSE)
# 绘制热图矩阵(注意:此图将覆盖聚类树)
par(cex = 1.0)
plotEigengeneNetworks(MET, "Eigengene adjacency heatmap", marHeatmap = c(3,4,2,2),
                      plotDendrograms = FALSE, xLabelsAngle = 90)

图2显示了上述代码的输出。特征基因的树状图和热图识别相关的特征基因组称为元模块。例如，树状图表明，红、棕、蓝三种模块高度相关;它们之间的相互关系比它们与体重的关系更强。另一方面，与体重显著相关的salmon模块与红色、棕色和蓝色模块不属于同一元模块的一部分，至少如果将meta模块定义为模块的紧密库(例如，特征基因相关性至少为0.5的模块)

5.4. 小结

对目前获得的数据的可视化展示，上述展示只是一部分，大家可以结合自己的专业，进一步进行个性化的展示。