前面我们强调了，基因功能推断的数据分析的重要性 ，而且我们已经演示了2个基因的功能推断方法，分别是：
这两个方法看起来是统计学不一样，前者是把目标基因在大队列表达量矩阵里面的连续值离散化，高低分组，或者是高中低的分组。而后者呢，看起来是把目标基因的表达量当做是原始的连续值，但是它跟全部的基因两两之间计算了相关性后仍然是安装相关性的高低粗暴的分组而已。
就是说，都面临着一个问题，就是如果使用阈值来确定上下调基因或者正负值的表达量相关基因，数量是可以灵活变化的，但是并不是说在高低分组里面的差异越大就越有意义，也并不是说跟目标基因表达量相关性越高的基因就越能推断出来目标基因的功能。因为噪音很大，比如大队列如果是1000个样品可以按照增殖这个状态来排序，这个时候如果我们的基因本来就是增殖相关，那么我们的大队列高低分组后差异分析然后功能富集，或者大队列表达量相关性排序后gsea分析，都是可以拿到之前的预测结果，比如下面的这些基因：
AURKA aurora kinase A(AURKA)
AURKB aurora kinase B(AURKB)
BIRC5 baculoviral IAP repeat containing 5(BIRC5)
BUB1B BUB1 mitotic checkpoint serine/threonine kinase B(BUB1B)
CCNB1 cyclin B1(CCNB1)
CCNB2 cyclin B2(CCNB2)
CCNE1 cyclin E1(CCNE1)
CCNE2 cyclin E2(CCNE2)
CDC20 cell division cycle 20(CDC20)
CDC25A cell division cycle 25A(CDC25A)
CDC25C cell division cycle 25C(CDC25C)
CDC45 cell division cycle 45(CDC45)
CDK1 cyclin dependent kinase 1(CDK1)
但是与此同时，这些增殖相关基因如果高低分组其实大致区分的就是肿瘤病人恶性程度，高增殖的肿瘤病人本身也会有其它肿瘤hallmark，比如：
细胞能量代谢的失控（deregulating cellular energetics）， 逃避免疫清除（avoiding immune destruction）， 肿瘤促炎症作用（tumor-promoting inflammation）， 基因组的不稳定性和突变（genome instability and mutation）
所以我们的大队列高低分组后差异分析然后功能富集，或者大队列表达量相关性排序后gsea分析，这两个方法其实是很难区分出来这些混合在一起的肿瘤hallmark，这个时候，就不得不提一下共表达分析（比如：WGCNA）就可以比较好的解决这一点，它让功能更加的细化了。
因为我在生信技能树多次写教程分享WGCNA的实战细节，见：
这里就不再重复提供代码啦，但是我提出来了的这个使用WGCNA分析来看看自己的目标基因落在哪个模块然后看其对应的生物学功能这个方法目前没怎么看到文献报道，更多的是依赖于WGCNA分析划分模块后去跟临床性状进行关联找到关键的模块然后分析模块里面的hub基因。比如：2022的《Identification of significant modules and hub genes involved in hepatic encephalopathy using WGCNA》，全文就是一个简简单单的WGCNA而已：
值得一提的是WGCNA分析后有很多后续的玩法：
WGCNA本质是挑选合适的基因去划分子集（模块），这个是WGCNA的核心代码，但是它可以很容易被其它类似的算法替换掉，太多统计学算法被提出来去把基因划分为若干个子集（模块）。
每个模块里面的基因列表都有生物学功能
这个基因列表可以来源于WGCNA等算法划分的模块，也可以是传统的表达量差异分析后符合统计学阈值的上下调基因集合，也可以是单细胞转录组不同单细胞亚群的特异性的高表达量的基因集合，有了基因列表就可以很轻松的：go,kegg,msigdb
每个模块里面的基因有表达量趋势
折线图，热图
模块能做的分析就等价于差异基因列表的分析
网络（hub基因），转录因子分析。
