因为样本数量比较可观，所以可以进行WGCNA分析。这里是并不需要选取所有的基因来做WGCNA分析，挑选的标准可以是top变异程度大的基因集合，或者显著差异表达的基因集合等等。
google搜索或在生信技能树和生信菜鸟团搜索WGCNA，能找到很多教程，下面列出几个中文教程和英文教程，强烈推荐中文教程1和英文教程3。
WGCNA输入文件需要一个表达矩阵，最好是RPKM或其他归一化好的表达量，还需要一个矩阵关于临床信息或者其它关于样本属性的信息。
原始数据包含64个样本，9904个lncRNA表达量，这时的矩阵行为基因，列为样本信息，其中第一列是lncRNAID，(这里的lncRNAID是cufflinks组装时给的自由的ID,是需要和已有的ID对应,对于新的转录本再通过nr/nt等数据库注释），第66列是作者给出的注释（我查了几个注释有的也查不出来是什么意思）。
这里有64个样本，包含猕猴脑不同空间区域，不同发育时期，以及性别，因为每个样本都交叉包含着三种不同的信息，如果选择全部表型信息，我试了试，后续的模块和性状完全看不清关系，所以我这里仅选择脑不同区域的表型信息,包括CB、DG、PFC、PCC、CA1、OC、PC、TC。
WGCNA针对的是基因进行聚类，而一般我们的聚类是针对样本用hclust即可，也就是说要转置为行表示样本,列表示基因。
datExpr和datTraits准备好后，接下来就是构建基因网络，鉴定模块。网络构建有三种方法：1）一步法构建网络；2）多步法构建网络；3）block-wise构建网络（主要针对大数据集）。下面的介绍的步骤是一步法构建网络。
选择合适的“软阀值（softthresholdingpower）”beta,用到的函数是pickSoftThreshold，pickSoftThreshold(datExpr,powerVector=powers,verbose=5)，powerVector可以是一系列数值，从而选择最优值。这个函数返回一个列表，第一项是powerEstimate是估计的最优power；第二项是fitIndices是详细的矩阵数据，其中第五列是mean.k表示平均“连接度（connectivity）”。
Constructingaweightedgenenetworkentailsthechoiceofthesoftthresholdingpowertowhichco-expressionsimilarityisraisedtocalculateadjacency.
最佳beta值是3。
一步法构建网络，使用函数blockwiseModules(),这个函数包含很多参数，其中power=sft$powerEstimate=3即上一步得到的最佳软阈值；maxBlockSize默认为5000，表示在这个数值内的基因将整体被计算，如果调大需要更多的内存；numerricLabels默认为返回颜色，设置为TRUE则返回数字；mergeCutHeight是合并模块阈值的一个参数。
上一步的返回结果是一个列表，可以用table()函数查看，0表示没有任何module接受。table(net$colors)可以看总共有多少模块，每个模块的大小，这里共有9个模块，从1-9每个模块的大小是递减的，从2254-115，0表示这些基因不在所有模块内。
dendrograms表示在一个block中所有基因的进化树图,使用函数plotDendroAndColors()查看系统发生树；blockGenes是一个block中所有的基因。
MEs是一个关于modules的特征量矩阵，行数等于筛选的modules数，列数等于样本数；
提取基因信息,可以做GO/KEGG等分析，进而解释这些module的生物学意义。这里的lncRNAID转换着有点麻烦，这一步先略过，之后再看看。
主要模块里面的基因直接的相互作用关系信息可以导出到cytoscape,VisANT等网络可视化软件。