Untitled

一、样本聚类及 read count 分布

二、WGCNA 分析

由于样本较多，按照以往的两两分组进行差异分析，这种方式啰嗦且结果可能会不够准确。因此进行 WGCNA 分析，根据任意两个基因间的相关系数，鉴定出基因共表达模块，然后将鉴定出的模块与可溶性糖含量关联，从而找到感兴趣的模块进行后续分析

三、共表达网络图

从上面的结果，选择 MEbrown2 模块构建网络图，希望从网络图中找出一些 hub 基因(关键基因)，这些基因往往在相关通络中起到重要作用

图中，颜色越深，圆圈越大表示重要程度越高

利用 cytohubba 找出 hub 基因

## ─ Attaching packages ────────────────────────────────────────────────────── tidyverse 1.2.1 ─

## ✔ ggplot2 3.1.1     ✔ purrr   0.3.2
## ✔ tibble  2.1.1     ✔ dplyr   0.8.1
## ✔ tidyr   0.8.3     ✔ stringr 1.4.0
## ✔ readr   1.3.1     ✔ forcats 0.4.0

## ─ Conflicts ──────────────────────────────────────────────────────── tidyverse_conflicts() ─
## ✖ dplyr::filter() masks stats::filter()
## ✖ dplyr::lag()    masks stats::lag()

## Parsed with column specification:
## cols(
##   node_name = col_character(),
##   MCC = col_double(),
##   DMNC = col_double(),
##   MNC = col_double(),
##   Degree = col_double(),
##   EPC = col_double(),
##   BottleNeck = col_double(),
##   EcCentricity = col_double(),
##   Closeness = col_double(),
##   Radiality = col_double(),
##   Betweenness = col_double(),
##   Stress = col_double(),
##   ClusteringCoefficient = col_double(),
##   gene_description = col_character(),
##   gene_symbol = col_character()
## )