WGCNA网络图怎么画？5步搞定

引言Introduction

WGCNA 网络图是模块识别后的核心展示方式。很多人能跑出结果，却卡在“图怎么画、怎么解释、怎么复现”这一步。本文用5步梳理 WGCNA 网络图的绘制逻辑，帮助医学生、医生和科研人员快速上手。

1. 先完成WGCNA分析的前置计算

1.1 清空环境并加载数据

在正式画 WGCNA 网络图前，先清空R环境，避免旧变量干扰。随后加载 WGCNA 包，并导入已保存的表达矩阵。知识库中的实战流程就是先打开对应脚本，再读取上一步保存的数据对象。

这一步的重点不是画图，而是确保输入数据稳定、变量命名一致。如果前置数据不规范，后面的网络图即使能出，也很难解释。

1.2 选择软阈值

WGCNA 网络图的基础是无尺度网络。实战中先计算一系列软阈值，再可视化比较。知识库给出的案例里，最终选择 7 作为软阈值。其无尺度网络检验结果显示，R平方为 ** 0.87**，斜率为 ** -1.75**，符合无尺度网络标准。

这一步决定网络结构是否可靠。
如果软阈值选得不合理，后续的模块和网络图都会受影响。

1.3 一步法与分步法都可构建网络

知识库里提供了两种思路。一步法直接构建网络，结果保存到 net 变量中。分步法则依次完成邻接矩阵、拓扑矩阵和相异度矩阵计算。

两种方法最后都要落到同一个目标。先得到稳定的网络，再进入可视化。

2. 构建模块并整理颜色信息

2.1 通过聚类识别模块

网络构建后，要先对基因进行聚类。一步法会直接输出模块结果。分步法则会先计算拓扑相异度，再进行聚类分析。知识库中提到，可以使用动态剪切树识别模块，且每个模块至少包含 30个基因 。

这一步得到的是模块的初步划分。模块不是为了好看，而是为了后续解释生物学功能。

2.2 将标签转成颜色

WGCNA 网络图通常不是直接画“模块名称”，而是用颜色区分模块。知识库明确提到，需要将标签转化为颜色，再绘制聚类图和模块对应图形。

常见做法是把颜色作为模块身份标记，方便快速识别。
颜色不是装饰，而是模块的视觉编码。

2.3 合并相近模块

如果两个模块差异太小，可以合并。知识库中给出的标准是，相异度小于 0.25 ，也就是相关性大于 0.75 的模块可以合并。案例最终得到 ** 12个模块**，并通过热图和聚类图展示合并结果。

这一步能减少网络复杂度。模块更少，解释更清晰。

3. 画出WGCNA网络图的核心图形

3.1 绘制模块聚类图

WGCNA 网络图最基础的形式，是基因聚类和模块着色图。这个图展示每个基因属于哪个模块，也能直观看到模块边界。

在一步法中，知识库提到先把标签转颜色，再绘制聚类网络图。分步法中，则在模块识别和合并后再重新绘制结果。这类图是网络图的第一层表达。

3.2 绘制TOM相关性图

TOM矩阵是WGCNA里非常重要的可视化对象。知识库中提到可以加载TOM矩阵，提取模块相关性向量，并对向量排序后绘图。

TOM的作用是反映基因之间的拓扑重叠关系。
如果你想展示网络中的局部紧密程度，TOM图非常关键。

3.3 绘制相异度矩阵图

知识库还明确提到，网络相关性可以转成相异度，即 1减去相关性 ，得到 dissTOM 矩阵。这个矩阵常用于聚类和热图展示。

在实际展示中，dissTOM 能帮助你看到哪些基因更接近，哪些基因更分散。
它是理解WGCNA 网络图的底层依据。

4. 提高图形质量与可重复性

4.1 随机抽样减少计算压力

知识库案例中，为节省计算资源，随机选取 400个基因 进行可视化。这个做法非常实用，尤其适合大规模表达矩阵。

抽样后重新聚类，再提取对应模块颜色，就可以完成局部网络展示。
对大数据集来说，图不一定要画全，关键是要画得清楚。

4.2 用set.seed保证可重复

知识库特别提到设置 set.seed，这样随机抽样的结果可以复现。对于论文写作和答辩汇报，这一步很重要。

科研图形必须可复现。
没有随机种子，网络图结果就可能因运行而变化。

4.3 输出结果并保存中间对象

一步法中，网络结果保存到 net 变量。分步法中，还会保存颜色、标签、模块信息等。这样后续可以直接加载，不必重复计算。

这对实际项目非常重要。
保存中间结果，能显著提高分析效率。

5. 让WGCNA网络图真正服务研究问题

5.1 不是“画图”，而是“解释模块”

WGCNA 网络图的价值，不在于图本身，而在于图背后的模块意义。一个模块可能代表某类共表达基因集合，后续可继续做功能富集、关键基因筛选或临床关联分析。

因此，画图前先明确研究目标。
是想找核心模块，还是想展示模块间关系，还是想做候选基因筛选。不同目标，对图形的要求不同。

5.2 一步法适合快速出图，分步法适合精细控制

知识库中的一步法流程更适合快速构建网络并展示整体结果。分步法则把邻接矩阵、拓扑矩阵、模块识别、模块合并逐步展开，更利于检查每一步是否合理。

如果你是初学者，建议先用一步法理解全流程。
如果你要写论文或做深度分析，分步法更适合精细控制。
这也是 WGCNA 网络图常见的实战策略。

5.3 结合课程式实操更容易落地

知识库来源于完整的 WGCNA 实战课程，流程已经覆盖软阈值选择、网络构建、模块合并、相关性展示和拓扑图绘制。对医学生、医生和科研人员来说，最难的不是概念，而是把代码跑通、把图画对。

如果你希望少走弯路，可以直接参考解螺旋 的系统化生信实战内容。它更适合从数据准备到 WGCNA 网络图输出的完整学习路径。

总结Conclusion

WGCNA 网络图的绘制，本质上是一个从数据清洗、软阈值选择、网络构建，到模块识别与可视化的完整流程。只要掌握这5步，就能把复杂的共表达关系转成清晰、可解释的图形。
重点不是“画出来”，而是“画得有依据、看得懂、能复现”。

如果你想更高效地完成 WGCNA 网络图分析，建议结合解螺旋 的实战课程和代码模板，直接把软阈值选择、模块构建、TOM可视化和结果保存串成标准流程，少踩坑，快出结果。