3个geo数据整合做wgcna太头秃？老手教你避坑，附真实分析流程

你是不是也遇到过这种情况：手里攥着三个GEO数据集，想合并起来做WGCNA分析，结果一跑代码就报错，或者出来的模块跟预期完全不一样，甚至根本对不上号？别慌，这其实是很多刚入行或中途转行做生信的朋友都会踩的坑。今天我就把这几年踩过的雷、熬过的夜，总结成这套实操方案，帮你把这三个数据集真正“揉”在一起，做出有说服力的共表达网络。

先说个真事。去年有个学生找我，说他的三个数据集样本量分别是20、30、50，合并后样本量够了，但聚类树怎么都分不开。我一看原始数据，好家伙，一个是芯片数据，两个是RNA-seq，而且批次效应大得离谱。这就是典型的“垃圾进，垃圾出”。做3个geo数据整合做wgcna，核心不在于代码多高大上，而在于预处理是否够“脏”、够“真”。

第一步，数据清洗与标准化，这是地基。别急着合并，先分别处理每个数据集。对于芯片数据，用affy或oligo包做RMA标准化；对于RNA-seq，用DESeq2或edgeR做VST或rlog转换。注意，这里有个细节，很多新手会直接用log2(CPM+1)，这在WGCNA里其实不太稳，建议用variance stabilizing transformation。另外，一定要检查探针映射，不同平台的探针ID得统一映射到Gene Symbol，如果有多个探针对应一个基因，取方差最大的那个，或者取平均值，千万别随便丢弃，否则信息损失严重。

第二步，批次效应校正，这是关键。三个数据集来自不同时间、不同实验室，技术噪音远大于生物学信号。这时候，ComBat函数就是你的救命稻草。在merge之前，先对每个数据集分别做标准化，然后提取基因表达矩阵，用sva包里的ComBat函数进行校正。这里有个坑，校正前最好确保每个数据集内部已经做过初步的过滤，去掉低表达基因，否则ComBat会把噪声也当成信号去校正。校正后，画PCA图看看，如果三个数据集的样本在PCA图上能混在一起，不分彼此，那恭喜你，批次效应基本消除了。

第三步，构建共表达网络，这是核心。合并后的数据，输入WGCNA。这里要注意软阈值的选择。不要盲目追求高R平方，通常0.8-0.9之间，网络拓扑结构最接近无标度网络。对于3个geo数据整合做wgcna，样本量如果不够大（比如总共少于60个），建议用signed hybrid网络，这样既能保留正负相关，又能减少假阳性。模块识别后，用cutreeDynamic函数切割树状图，得到初步模块。

第四步，模块与性状关联，这是升华。别只盯着模块里的基因看，要关联临床性状或实验分组。比如，你的三个数据集分别对应不同阶段的患者，你可以看哪个模块与“晚期”显著相关。这时候，用cor.test或lm函数计算模块特征基因（eigengene）与性状的关联。如果某个模块与性状高度相关，再深入挖掘其中的Hub基因。

最后，验证与可视化。用Cytoscape画网络图，把Hub基因标红。同时，去GO和KEGG数据库做富集分析，看看这些基因富集在什么通路。如果富集结果符合你的生物学假设，那这篇论文的数据基础就稳了。

我见过太多人，为了凑样本量，强行合并不相关的数据集，结果出来的模块毫无生物学意义。记住，3个geo数据整合做wgcna，不是为了合并而合并，是为了增强统计效力，发现更稳健的生物学规律。数据要干净，批次要校正，网络要稳健，结论才可信。别怕麻烦，预处理多花一小时，分析时能少掉两根头发。