安装WGCNA的R包 读取数据，并且将数据的第一列命名为行名，log2转化 基因筛选，筛选高变异基因top3000 构建WGCNA所需表达矩阵，WGCNA需要的格式，要求行为样本名，列为基因名 找到合适的beta值 一步法构建共表达矩阵 模块可视

安装 WGCNA (Weighted Correlation Network Analysis) 的 R 包通常涉及到以下几个步骤：

1. 首先，你需要确保已经在 R 环境中安装了`BiocManager`库，如果还没有安装，可以使用以下命令：

if (!requireNamespace("BiocManager", quietly = TRUE)) {
  install.packages("BiocManager")
}

然后通过`BiocManager`安装 WGCNA 包：

install.packages("WGCNA", dependencies = TRUE)

2. 为了读取数据并处理，你可以使用 `read.table` 或 `read.csv` 函数，假设数据文件名为 `data.txt`，第一列为行名，可以这样操作：

data <- read.table("data.txt", header=TRUE, row.names=1) # 如果是.csv文件，替换为read.csv
data$log2_data <- log2(data[, -1]) # 假设除第一列外都是数值，对其他列做log2转换

3. 对于基因筛选，你可以计算基因变异系数（Coefficient of Variation, CV），然后选择变异度较高的前3000个基因：

gene_cv <- names(gene_cv)[order(-gene_cv)][1:3000]
data_sub <- data[top_3000_genes, ] # 选取前3000个基因的数据

4. 构建 WGCNA 表达矩阵，需要是一个行为列名、列为基因名的表格，同时包含行索引（通常是样本名）：

rownames(data_sub) <- NULL # 如果行名不是数字，确保它们是唯一的
expression_matrix <- as.dist(1-cor(t(data_sub))) # 转换为距离矩阵，适用于WGCNA

5. 找到合适的 beta 值（软阈值），这是 WGCNA 中关键的参数，它决定了网络连接的紧密程度。你可以使用`pickSoftThreshold`函数进行选择：

soft_thresholds <- pickSoftThreshold(expression_matrix, power=8, verbose=FALSE) # 常见选择power为6-10之间

6. 一步法构建共表达网络，即同时确定模块和模块间的连线权重，使用`blockwiseModules`函数：

modules <- blockwiseModules(expression_matrix, powers=soft_thresholds$softPower, deepSplit=3)

7. 最后，可视化模块结果可以用`dendextend`或`igraph`等包来绘制聚类树（Dendrogram）和模块图（ModuleColors）：

plotTree(modules$tree, hang=-1) # 绘制聚类树
moduleColors(modules) # 绘制模块颜色图