对于RNA-seq数据，WGCNA是适用的，但转录组数据的分析需经过标准化处理。这是因为不同基因的表达量可能受到多种因素影响，标准化可以消除这些干扰，确保分析结果的准确性。WGCNA的核心理念在于构建无尺度网络，这个网络由表达矩阵生成，其构建的质量直接影响分析结果的有效性。
一般是高通量的rna表达数据，大致分为芯片表达谱和测序数据。芯片一般是affy和illumina的比较多；测序的话现在hiqseq2000或者2500；构建网络需要表达置矩阵，然后经过scale free参数选择，构建一个赋权的网络。
RNA-seq看表达量高低是看哪个值？ Read count （1）数值概念： 比对到gene A的reads数。 （2）用途： 用于换算CPM、RPKM等后续其他指标；作为基因表达差异分析的输入数值。
WGCNA（weighted gene co-expression network analysis，权重基因共表达网络分析）是一种分析多个样本基因表达模式的分析方法，可将表达模式相似的基因进行聚类，并分析模块与特定性状或表型之间的关联关系，因此在疾病以及其他性状与基因关联分析等方面的研究中被广泛应用。
这对于理解细胞行为和疾病状态下的调控机制具有重要意义。尽管SCENIC提供了强大的分析能力，但选择合适的分析方法和数据库对于获取准确结果至关重要。同时，随着技术的发展，基因网络推断方法也在不断优化，以适应单细胞RNA-seq数据的复杂性，但每种方法都有其优缺点，需要根据具体研究需求进行权衡和选择。
1、富集分析（KO）样品要求样品采集：样品采集条件的一致是最为重要的环节，严格按照采样标准采样，采样后立即封存样品冷冻保存。还有一段距离，因此就可以得到您的完整的引物序列。由于在测序的起始端总会有一些碱基无法准确读出，因此，您如果想得到您的pcr产物的完整序列，最好克隆后进行测序。
2、如果想用你现有的数据找疾病相关的基因／通路／网络，出门直走差异表达分析。
3、全基因组测序数据获取后应该怎么分析？富集分析（KO）样品要求样品采集：样品采集条件的一致是最为重要的环节，严格按照采样标准采样，采样后立即封存样品冷冻保存。还有一段距离，因此就可以得到您的完整的引物序列。
4、首先进行基因分类，比如说编码性基因占多大比例，非编码性基因又占多少比例；转录因子占多少比例，蛋白激酶类基因又占多少比例等等。然后将该物种基因组与其它已测序基因组进行比较，包括大小、同源度等等。你可以下载一篇报道某种物种已完成测序的文献，看文献中怎么分析。这种文献应该有很多。
5、对于新基因组的测序，必须首先通过复杂的组装过程来构建其蓝图，为后续分析和未来的迭代奠定了基础。当有了可用的参考基因组，我们通常会采取重新测序策略，通过与参考序列的比对，精准定位个体遗传变异的热点区域，无论是单核苷酸多态性（SNV）还是结构变异。
6、测序只是最基础的，接下来你要做功能基因分析，查找确定哪一些是编码基因的序列，然后做表达检测。如果你事先知道自己的目的基因序列，测序结束后，应该可以直接找到。
1、著名的二级数据库有：蛋白质结构分析数据库（SCoP）、受体数据库、克隆载体数据库等。以因特网（Internet）为基础的基因组信息学信息传输网络是基因组信息收集、管理与使用的另一要素。
2、基因组信息学研究的主要内容包括两个部分：一是基因组相关数据的收集与管理；二是基因组数据内涵的分析与解释，也就是遗传密码的破译。
3、获得基因组全序列仅仅是整个研究的开始，分析基因组序列才是面临的真正巨大的挑战。基因组信息学在分析比较大量的基因组序列数据中起着关键的作用，各种基因组信息学方法越来越多地应用于蛋白功能预测、基因序列分析及物种间基因比较等方面的研究。
