3个geo数据整合做wgcna：别瞎合并，这3步避坑指南

做生信分析的兄弟，谁没被GEO数据折磨过？

特别是手里攥着3个GEO数据集，想做个WGCNA看看共表达模块。

心里是不是直打鼓？

怕批次效应搞死你，怕结果出不来，更怕发文章被审稿人喷。

我干了11年这行，踩过无数坑。

今天不整那些虚头巴脑的理论，直接上干货。

怎么把3个GEO数据整合做wgcna，还能跑出漂亮的结果？

先说个真事儿。

上个月有个粉丝找我，说他的3个GEO数据整合做wgcna，跑出来相关性全是0.5以下。

我一看代码，好家伙，直接拿原始count值去算相关系数。

这能行吗？

当然不行。

第一步，数据清洗要狠。

别觉得原始数据是上帝给的就不能动。

每个GEO平台的探针映射表都不一样。

你得先统一映射到Gene Symbol。

映射的时候，如果一个基因对应多个探针，别急着删。

取平均表达量，或者取方差最大的那个探针。

这一步做不好，后面全是垃圾。

第二步，批次效应校正，这是核心。

很多人问，3个GEO数据整合做wgcna，要不要用ComBat？

我的建议是：要看情况。

如果3个数据集样本量差不多，且生物学差异不大，可以用ComBat。

但如果样本量悬殊，或者批次效应特别强，ComBat可能会抹杀掉真实的生物学信号。

这时候，试试sva包里的removeBatchEffect。

或者，更激进点，直接用limma的voom转换后，再校正。

我一般喜欢用Harmony，虽然它是单细胞用的，但批量数据也能凑合用，效果出乎意料的好。

记住，校正完一定要画PCA图看看。

如果3个数据集的点混在一起了，那才叫成功。

要是还分得清清楚楚，赶紧重来。

第三步，构建网络前的筛选。

别拿几千个基因进去跑WGCNA，电脑会卡死，结果也不准。

先做方差过滤。

保留方差前20%-25%的基因。

这一步能去掉大量低表达的噪音基因。

然后，检查软阈值幂次。

不要盲目选6或者12。

要画scale-free topology fit index图。

选那个R平方大于0.85，且平均连接数还比较合理的幂次。

我见过太多人为了追求高幂次，强行选18，结果网络根本不符合无标度特性。

这时候做出来的模块，全是假阳性。

最后，整合后的WGCNA分析。

这里有个小技巧。

你可以分别对3个数据集做WGCNA，找到保守模块。

也可以把校正后的数据合并，做一个大的WGCNA。

我个人倾向于后者，因为样本量大，统计效力高。

但前提是，批次效应必须处理干净。

处理完后，找模块与性状的关联。

这时候，你会看到一些模块和临床特征高度相关。

把这些模块里的基因拿出来，做GO和KEGG富集。

这时候，你会发现，很多通路是3个数据集共有的。

这才是真正的生物意义。

别指望一次成功。

我当年做第一个3个GEO数据整合做wgcna的项目，改了整整8版代码。

头发都掉了一把。

但看到那个漂亮的聚类热图时，觉得值了。

所以，别怕麻烦。

每一步都要仔细检查。

数据清洗要细，批次校正要狠，网络构建要稳。

这样跑出来的结果，才经得起推敲。

希望这篇经验能帮到你。

如果你还在为3个GEO数据整合做wgcna头疼，不妨试试这几步。

哪怕只改了一个参数，可能结果就天差地别。

加油，生信人！