WGCNA分析大家都不陌生了，我在生信技能树多次写教程分享WGCNA的实战细节：

• 一文看懂WGCNA 分析(2019更新版)
• 通过WGCNA作者的测试数据来学习
• 重复一篇WGCNA分析的文章（代码版）
• 重复一篇WGCNA分析的文章（解读版）（逆向收费读文献2019-19）
• 关键问题答疑：WGCNA的输入矩阵到底是什么格式
  那些教程都是针对传统的bulk转录组测序的表达矩阵，其实单细胞转录组也是拿到表达矩阵，只不过是有一些特性，比如非常多的0值等等。那么有没有这样的研究尝试把WGCNA融入单细胞转录组数据分析呢？
  答案是有的，Posted March 04, 2019. 丢在预印本的文章，题目是：Single-Cell RNA Sequencing Reveals Regulatory Mechanism for Trophoblast Cell-Fate Divergence in Human Peri-Implantation Embryo 就这样做了，让我们一起来看看吧。

  背景

  To obtain transcriptomic profiles of human trophoblast cells during peri-implantation development, we harvested single cells from 19 embryos from day 6 to day 10, complement with 25 endometrial cells. Transcriptomes from 614 single cells were successfully profiled, with 0.7 million uniquely mapped reads and 24,011 detected transcripts per cell on average.数据都是在：https://www.ncbi.nlm.nih.gov/geo/query/acc.cgi?acc=GSE125616
  主要样品是人类着床前胚胎的 Trophoblasts 进行单细胞转录组测序，其中516 embryonic cells 可以分成476 TE-, 14 EPI-and 26 PE-lineage cells. 最后的分析重点是 476 individual trophoblast cells isolated from 19 human embryos

• cells of epiblast (EPI),
• primitive endoderm q (PE)
• trophectoderm (TE)
  当然了，还有少量的endometrial cells,第一主成分就可以区分开来它们，如下：
  
  Embryonic cells were assigned into three lineages, namely TE, EPI and PE, based on their expression of 300 previous identified lineage marker genes. 需要相关生物学知识。
  其中时间这个属性也是在PCA上面反映到：
  
  不管是时间这个属性天然对单细胞分组，还是整体的表达矩阵进入单细胞数据分析流程后分组， 都是可以看基因表达量情况的小提琴图等等。分析其实仍然是我们一直讲解的R包及基础流程，分别是: scater,monocle,Seurat,scran,M3Drop 需要熟练掌握它们的对象，：一些单细胞转录组R包的对象 流程也大同小异：
• step1: 创建对象
• step2: 质量控制
• step3: 表达量的标准化和归一化
• step4: 去除干扰因素(多个样本整合)
• step5: 判断重要的基因
• step6: 多种降维算法
• step7: 可视化降维结果
• step8: 多种聚类算法
• step9: 聚类后找每个细胞亚群的标志基因
• step10: 继续分类
  

  WGCNA步骤

  To systematically investigate the genetic program dynamics, we performed Weighted Gene Co-expression Network Analysis (WGCNA) on 2,464 genes that were variably expressed in trophoblast cells between different developmental stages.
  WGCNA identified eight gene modules, each of which contains a set of genes that tend to be coexpressed at a certain development stage！
  可以看到WGCAN其实大家需要注意的是挑选基因，然后判断模块，最后关联起来性状即可!
  

  研究者感兴趣的生物学组别

  其实是：

• cytotrophoblast (CT),
• extravillous cytotrophoblast (EVT)
• syncytiotrophoblast (ST)
  所以才会有如下图表：
  
  让我意外的是，文章里面仅仅是提到了 Seurat 流程，没有monocle，但是却有lineage分析 ！其实这个小鼠发育研究，跟我前面的视频课程非常类似，可以作为一个练习题，考核一下大家！
• scRNA小鼠发育Smartseq2流程—前言及上游介绍
• 根据表达矩阵进行分群-1
• 根据表达矩阵进行分群-2
• 标记基因可视化
• 差异分析及功能注释（上）
• 差异分析及功能注释（下）
• 发育谱系推断及可视化
• 不同谱系的差异基因分类注释