- 6 次围观
背景：加权基因共表达网络分析（Weighted Gene Co-expression Network Analysis，WGCNA）是一种广泛应用的系统生物学方法，主要基于转录组学数据，用于发现基因模块及模块-性状关联。由于其最初设计仅针对单一组学层，无法对多组学层进行联合分析，这已成为现代生物医学研究中的一项重要局限。此外，WGCNA模块通常难以解释，需要开展大量后续分析以实现情境化解读。与此同时，目前尚不存在能够在模块或特征层面可视化条件特异性跨组学关系的整合框架。 结果：为解决上述局限，我们开发了WGCNA+，这是一种将WGCNA扩展至多组学分析的新型R软件包。WGCNA+具有以下关键创新：（i）统一的多组学分析流程，用于逐层网络推断和跨层模块富集分析；（ii）采用奇异值分解（SVD）加速拓扑重叠矩阵计算，大幅缩短计算时间；（iii）共识分析框架，用于识别在独立数据集或不同条件下均具有可重复性的模块；（iv）配套R软件包LASAGNA，用于对表型条件化的跨组学关系进行多部图可视化；（v）基于人工智能的注释与信息图生成，可即时提供生物学洞见。我们在公开的转录组学、蛋白质组学和miRNA数据集上对WGCNA+进行了测试。WGCNA+能够识别具有生物学意义的模块、跨组学特征与表型之间的相关性，并提供基于人工智能的解释，从而加速科研进程。 结论：WGCNA+以一种原理严谨且高效的框架弥补了当前共表达网络分析在多组学研究中的不足。该工具能够检测跨组学调控模块及其与表型的关联，为基础研究、生物标志物发现和通路分析提供支持。其独特提供的人工智能辅助解释与信息图功能有助于提出研究假设。作为WGCNA+的补充，LASAGNA是一种具有表型感知能力的多部图可视化框架，可用于探索跨组学关系。总体而言，这些功能使WGCNA+成为一种面向临床与转化研究的创新型强大工具。 可用性与实现：WGCNA+和LASAGNA均采用R语言实现，适用于统计计算，要求版本≥3.5。WGCNA+和LASAGNA均可完全免费使用，不受任何限制（https://github.com/bigomics/WGCNAplus；https://github.com/bigomics/lasagna）。
背景：加权基因共表达网络分析（Weighted Gene Co-expression Network Analysis，WGCNA）是一种广泛应用的系统生物学方法，主要基于转录组学数据发现基因模块及模块—性状关联。由于WGCNA最初是为单一组学层设计的，因此无法对多组学层进行联合分析，这已成为现代生物医学研究中的一项重要局限。此外，WGCNA模块通常难以解释，需要开展大量后续分析以实现其生物学背景的阐释。目前，也尚不存在能够在模块或特征层面可视化条件特异性跨组学关系的综合框架。
结果：为解决上述局限，我们开发了WGCNA+，一种将WGCNA扩展至多组学分析的新型R软件包。WGCNA+具有以下关键创新：（i）统一的多组学分析流程，可分别进行各组学层的网络推断及跨层模块富集分析；（ii）采用SVD加速的拓扑重叠矩阵计算方法，大幅缩短计算时间；（iii）共识分析框架，用于识别在独立数据集或不同条件下均可重复的模块；（iv）配套R软件包LASAGNA，用于基于表型条件的跨组学多部图可视化；（v）基于人工智能的注释和信息图，能够即时提供生物学洞见。我们在公开的转录组学、蛋白质组学和miRNA数据集上对WGCNA+进行了测试。WGCNA+能够识别具有生物学意义的模块、跨组学特征与表型之间的相关性，并提供基于人工智能的解释，从而加速科研进程。
结论：WGCNA+以一种系统、 高效的框架弥补了现有共表达网络分析在跨组学应用方面的不足。该工具能够识别跨组学调控模块及其与表型的关联，为基础研究、生物标志物发现和通路分析提供支持。其独特提供的人工智能辅助解释和信息图功能有助于提出研究假设。作为WGCNA+的补充，LASAGNA是一种具有表型感知能力的多部图可视化框架，可用于探索跨组学关系。总体而言，这些功能使WGCNA+成为临床与转化研究中一种创新且功能强大的工具。
可用性与实现：WGCNA+和LASAGNA均采用用于统计计算的R语言实现，要求R版本≥3.5。WGCNA+和LASAGNA均可完全免费使用，不附加任何限制（https://github.com/bigomics/WGCNAplus；https://github.com/bigomics/lasagna）。
📄 原文链接：https://www.biorxiv.org/content/10.64898/2026.09.02.748772v1?rss=1
🏷️ 多组学数据整合 加权基因共表达网络分析 人工智能辅助注释 跨组学网络 R软件包 生物信息学工具