01? MEGENA概要

基因共表達網(wǎng)絡(luò)分析可以有效鑒定與復(fù)雜人類疾病相關(guān)的功能性共表達基因模塊。最常用的共表達網(wǎng)絡(luò)分析是加權(quán)基因共表達網(wǎng)絡(luò)分析(WGCNA)，它將復(fù)雜生物過程的基因共表達網(wǎng)絡(luò)劃分為高度相關(guān)的幾個特征模塊，其代表著幾組高度協(xié)同變化的基因集，并可將模塊與特定的臨床特征建立關(guān)聯(lián)，從中尋找發(fā)揮關(guān)鍵功能的基因，幫助識別參與特定生物學(xué)過程的潛在機制以及探索候選生物標(biāo)志物。但是這種方法有一定局限性，無法在單個網(wǎng)絡(luò)中共存不同級別的聚類，從而無法體現(xiàn)復(fù)雜網(wǎng)絡(luò)的多尺度層次性。

為了解決這些缺點，MEGENA在拓?fù)漕I(lǐng)域采用了網(wǎng)絡(luò)嵌入范式。換句話說，一個共同表達網(wǎng)絡(luò)被嵌入在一個球面上，這樣一個鏈接就不會與其他鏈接交叉。MEGENA通過：i）引入共表達相似性的質(zhì)量控制，ii）并行化嵌入式網(wǎng)絡(luò)構(gòu)建，發(fā)展了一種新的聚類技術(shù)來識別平面濾波網(wǎng)絡(luò)（PFNs）中的多尺度聚類結(jié)構(gòu)。

MEGENA包括四個主要步驟：1）引入并行化、提前終止和先驗質(zhì)量控制的快速平面濾波網(wǎng)絡(luò)構(gòu)造（FPFNC）；2）引入以分辨率參數(shù)為特征的模塊結(jié)構(gòu)緊湊性的多尺度聚類分析（MCA）；3）采用多尺度中心分析（MHA）來識別高度復(fù)雜的網(wǎng)絡(luò)聚類特征關(guān)聯(lián)分析（CTA）探討聚類與臨床結(jié)果的相關(guān)性。圖1顯示了MEGENA的總體分析流程。

FPFNC主要遵循PMFG算法的網(wǎng)絡(luò)嵌入原理來構(gòu)造PFN。所有的基因?qū)κ紫韧ㄟ^一個相似性度量進行排序，量化各自的相互作用強度，然后對其平面性進行迭代測試，以形成有利于包含具有較大相似性的基因?qū)Φ那度胧骄W(wǎng)絡(luò)。為了使PFN構(gòu)建在全基因組共表達網(wǎng)絡(luò)分析中具有可擴展性，MEGENA開發(fā)了兩種技術(shù)。首先，通過設(shè)置基因?qū)ο嗨菩缘腻e誤發(fā)現(xiàn)率（FDR），在網(wǎng)絡(luò)嵌入之前篩選掉不重要的交互作用。其次，提出了一種并行篩選程序（PCP）來提取更可能被嵌入的基因?qū)ψ蛹沟肍PFNC能夠更加高效地構(gòu)建網(wǎng)絡(luò)。

然后將FPFNC構(gòu)造的PFN輸入MCA，識別多尺度聚類。MCA結(jié)合了三個不同的準(zhǔn)則來識別局部相干簇，同時保持全局最優(yōu)分割。首先，利用最短路徑距離（SPD）優(yōu)化簇內(nèi)緊密性。其次，利用局部路徑索引（LPI）優(yōu)化局部聚類結(jié)構(gòu)。第三，采用整體模塊化（Q）來確定最優(yōu)劃分。具體地說，MCA采用層次分裂法，通過k分裂和緊度估計兩步迭代，將PFN中的復(fù)雜相互作用分解為不同分辨率的相干相互作用體。k-split通過優(yōu)化SPD、LPI和Q來識別導(dǎo)致父網(wǎng)絡(luò)最優(yōu)劃分的簇。

最后，利用MHA和CTA進行下游分析。MHA首先根據(jù)已建立的平面網(wǎng)絡(luò)隨機模型確定每個集群內(nèi)的重要樞紐。在多個尺度上作為中心的節(jié)點稱為多尺度中心。CTA通過主成分分析和相關(guān)分析評估個體聚類與臨床結(jié)果的相關(guān)性。

02??MEGENA示例流程

1、計算相關(guān)性

2、計算PFN

在這一步中，平面濾波網(wǎng)絡(luò)（PFN）是通過取顯著相關(guān)對ijw來計算的。在使用不同的相似性度量的情況下，可以獨立地將結(jié)果格式化為列名為c（“row”、“col”、“weight”）的3列數(shù)據(jù)幀，并確保weight列的范圍在0到1之間。將此用作計算.PFN（）也可以。

3、執(zhí)行聚類

利用MCA聚類進行多尺度聚類分析。“MEGENA.output “是用于下游分析的核心輸出，用于匯總和繪圖。

4、匯總結(jié)果

5、作圖

可以選取感興趣的網(wǎng)絡(luò)模塊作圖

參考文獻

[1] Zhang L, Peng TL, Wang L, Meng XH, Zhu W, Zeng Y, Zhu JQ, Zhou Y, Xiao HM, Deng HW. Network-based Transcriptome-wide Expression Study for Postmenopausal Osteoporosis. J Clin Endocrinol Metab. 2020 Aug 1;105(8):2678–91. doi: 10.1210/clinem/dgaa319. PMID: 32483604; PMCID: PMC7320836.

[2] Langfelder P, Horvath S. WGCNA: an R package for weighted correlation network analysis. BMC Bioinformatics. 2008 Dec 29;9:559. doi: 10.1186/1471-2105-9-559. PMID: 19114008; PMCID: PMC2631488.