纵观近十年发表的转录组相关文献，文章的数目增长速度非常之快，但是低水平的文章比例增大，大家最直观的感觉就是：转录组文章越来越不好发表了。这其实也体现了目前发表文章对转录组数据分析挖掘的要求增高了。为了发表较高水平的文章，大家从实验设计的各个角度进行探索和创新。 

      近两年，在高水平转录组文章里频频出现一个词High-resolution transcriptome（高分辨率）转录组，这是通过结合激光显微切割技术分离特定的组织或细胞类型进行转录组测序，可获得更详细更精准更全面的转录组数据。如2018年发表在Nature Communications上的番茄果实发育高分辨率转录组文献，通过徒手切片和激光显微切割（LM）技术分离不同发育时间主要果实组织和细胞类型，共计483个样品进行转录组测序分析（ Shinozaki, 2018）。另外一方面，在转录组实验设计方面，大家开始倾向于多因素的研究，尽量地全面和细化实验设计。如2017年发表在Plant Journal上的拟南芥连续生物和非生物胁迫转录组动态变化文献，在每种胁迫处理之前加上另外一种胁迫处理（如干旱处理后再进行灰霉菌处理），共163的样品进行转录组测序分析（Coolen, 2017）。此外，在转录组实验设计方面，还有不少人另辟蹊径，充分利用这十年以来快速增长的转录组数据库中的公开数据，可直接从数据库筛选多个数据集合直接来进行分析。 
       这些实验设计上的创新带来了样品数目的增多，这就对数据分析和挖掘提出了更高水平的要求。WGCNA（Weighted Gene Co-Expression Network Analysis）就是一种适合进行多样本复杂数据分析的工具。WGCNA被称为加权基因共表达网络分析，通过计算基因间表达关系，鉴定表达模式相似的基因集合（module），解析基因集合与样品表型之间的联系，绘制基因集合中基因之间的调控网络并鉴定关键调控基因。其适合应用于复杂的多样本转录组数据，是发表转录组高分文章的必备技能。 
       我们推出的WGCNA课程，从生物学意义角度剖析WGCNA核心计算原理，以实验案例从方案设计、分析步骤、结果解读和数据挖掘角度，解析单个样本和多个样本时间序列数据、结合表型数据情况下如何开展WGCNA。此外，还有实际数据进行WGCNA的实操教学。本课程为一门深入浅出的理论和简易上手的实践相结合的课程。 
参考文献： 
Shinozaki Y, Nicolas P, Fernandez-Pozo N, et al. High-resolution spatiotemporal transcriptome mapping of tomato fruit development and ripening[J]. Nature communications, 2018, 9(1): 364. 
Coolen S, Proietti S, Hickman R, et al. Transcriptome dynamics of Arabidopsis during sequential biotic and abiotic stresses[J]. The Plant Journal, 2016, 86(3): 249-267. 
课程概况 (https://ke.qq.com/course/311431?flowToken=1004658)

课程目标：

1. 画出这样的图……基因模块

1. 画出这样的图……模块表达模式

1. 画出这样的图……模块-样本（或表型）关联分析

https://ke.qq.com/course/311431?flowToken=1004658