~30,000+引用！理论2005，R包2008，多组学集成AI增强

背景

加权基因共表达网络分析（WGCNA）是被广泛使用的系统生物学方法，多用于转录组数据挖掘基因模块以及模块‑性状关联。该工具为单一组学设计，无法联合分析多组学数据，这在现代生物医学研究中是项显著短板。WGCNA输出的模块通常解读难度大，需要大量后续分析才能明确生物学背景；同时，目前缺少集成化框架，无法在模块或特征层面实现条件特异性的跨组学关系可视化。

ivo.kwee@bigomics.ch

#WGCNA #加权基因共表达网络分析 #多组学 #拓扑重叠矩阵 #奇异值分解 #一致性模块 #LASAGNA #大语言模型 #共表达网络 #R软件包

引言

图1 WGCNA+软件总览

输入层：转录组、蛋白质组、miRNA、代谢组、元数据；预处理：缺失值填充、特征筛选、注释映射、性状编码；WGCNA+核心（各组学独立运行）：幂值选择、邻接矩阵、快速TOM(SVD)、层次聚类、动态树切割、模块合并与KME过滤；集成分析：跨组学富集分析、一致性分析、LASAGNA图模型；输出：模块‑性状热图、生物标志物排序、通路富集、AI模块注释、自动化报告。黄色「NEW」标记代表对比原版WGCNA新增功能；「AI」标记代表AI驱动注释模块。

结果

为解决上述局限，本文开发R软件包 WGCNA+，对WGCNA进行扩展以适配多组学分析。WGCNA+具备５大核心创新点：

(1) 统一的多组学分析流程，支持各组学独立网络推断以及跨组学模块富集分析；

(2) 基于奇异值分解（SVD）加速拓扑重叠矩阵（TOM）计算，大幅降低计算耗时；

(3) 一致性分析框架，识别在多个独立数据集/实验条件下可复现的模块；

(4) 配套R包LASAGNA，实现基于表型条件约束的跨组学多分图可视化；

(5) AI驱动的注释与信息图生成，直接输出生物学解读。

本研究利用公开转录组、蛋白质组、miRNA数据集对WGCNA+开展测试。WGCNA+能够识别具备生物学意义的模块、跨组学特征‑表型相关性，并借助AI解读加速科研分析。

图2 WGCNA与WGCNA+的TOM计算性能对比

对比WGCNA、WGCNA+计算TOM的运行时间（秒）、峰值内存占用（MiB）；测试数据集为包含6,987个特征、18个样本的蛋白质组数据；依次选取标准差排名前1,500、3,500、全部6,987个特征开展测试。运行时间由R函数system.time获取；峰值内存由peakRAM::peakRAM函数统计。先调用WGCNA::adjacency生成邻接矩阵，再分别调用WGCNA::TOMsimilarity与WGCNA+::fastTOMsimilarity计算拓扑重叠矩阵。

图3 单一组学（蛋白质组）数据集的WGCNA+分析结果

由WGCNA+的plotModuleTraitHeatmap()函数绘制。热图展示各模块本征基因与各表型之间的皮尔逊相关系数。红色代表+相关，蓝色代表-相关。热图单元格内标记星号：*p≤0.05，**p≤0.01，***p≤0.001；无星号代表p>0.05。

图4 基于大语言模型生成的蛋白质组数据集信息图

由WGCNA+的create_module_infographic()函数，调用gemini‑3.1‑flash‑image‑preview AI模型，分别为blue (A)、turquoise (B)、yellow (C)模块生成生物学叙事信息图。

(A) MEblue模块：驱动增殖的合成代谢程序；

(B) MEturquoise模块生物学叙事：G1细胞周期、固有免疫与稳态的协同调控；

图5 雌雄小鼠肝脏转录组数据WGCNA+一致性分析

调用runConsensusWGCNA()执行一致性分析。热图展示一致性模块（横轴）与雄性、雌性独立网络模块的对应关系；单元格数字为2个模块共享基因数量。对角线上高数值说明一致性模块与同颜色性别特异性模块高度匹配。

上方热图：雄性肝脏共表达网络；下方热图：雌性肝脏共表达网络。

图6 一致性模块‑性状关联

由WGCNA+plotLabeledCorrelationHeatmap()绘制。单元格颜色代表相关系数大小（红色+相关、蓝色-相关）；仅展示雌雄网络中同时显著且相关方向一致的结果；灰色单元格代表无显著一致性关联。+标记显著性：+p<0.05，++p<0.01，+++p<0.001。性状：体长(cm)、腹部脂肪、其他脂肪、总脂肪。

图7 雌雄小鼠肝脏转录组WGCNA+模块保守性分析

(A) 调用plotConsensusOverlapHeatmap()绘制，热图反映雄性网络与雌雄合并一致性模块之间的模块对应关系；括号内数字代表模块内特征数目；单元格数值为共享特征数量，颜色代表Fisher精确检验-log10P值，由白到红代表重叠显著性逐步升高。

(B) 调用plotPreservationModuleTraits()绘制。

左：各模块Z‑summary保守性得分热图，分值越高代表模块保守性越强；

中：一致性模块‑性状相关系数几何均值热图；

右：保守性加权后的模块‑性状关联热图：先计算每个模块跨数据集Z得分平方均值，归一化至0‑1区间，再乘以模块‑性状相关系数几何均值。

图8 多组学数据集WGCNA+分析

(A) 由plotMultiDendroAndColors()绘制，各组学（miRNA、蛋白质组、转录组）特征层次聚类树与模块颜色，用于评估不同组学之间模块结构一致性。

(B) 调用plotModuleTraitHeatmap()绘制模块本征基因与表型的皮尔逊相关热图；红色+相关，蓝色-相关；星号标记显著性：*p≤0.05，**p≤0.01，***p≤0.001；无星号代表p>0.05。

图9 多组学mox‑brca数据集WGCNA+分析

plotEigenGeneAdjacencyHeatmap()生成热图，展示全部模块本征基因与表型两两之间皮尔逊相关系数；红色代表+相关，蓝色代表-相关。单元格星号标记显著性：*p≤0.05，**p≤0.01，***p≤0.001；无星号代表p>0.05。

图10 LASAGNA特征水平多分图

LASAGNA包plot_multipartite()函数绘制。不同层对应不同组学：mir代表miRNA；gx代表转录组；px代表蛋白质组。节点颜色代表对比分组下log2倍数变化（红色上调，蓝色下调）；圆圈大小代表PageRank中心性得分；边的粗细代表相关系数大小，橙色边为+相关、紫色边为-相关；层间连线代表特征之间的相关性。

结论

WGCNA+提供严谨、高效的共表达网络分析框架，填补现有技术空白，支持跨组学分析。该工具可识别跨组学调控模块及其表型关联，服务于基础研究、生物标志物挖掘与通路分析；独有的AI辅助解读与信息图生成功能助力科研人员生成研究假说。LASAGNA作为WGCNA+的补充工具，是套感知表型的多分图可视化框架，用于探索跨组学关联。综上，WGCNA+是面向临床与转化研究的创新、强大分析工具。