| WGCNAConfig {SMRUCC.genomics.Analysis.HTS.WGCNA} | .NET clr documentation |
WGCNA 分析配置
这是新增的分块(blockwise)分析入口 Analysis.RunBlockwise 的统一参数对象。 既有的 Analysis.Run 重载内部使用一个默认实例,因此不改变原有调用方的行为。
命名与默认值尽量对齐 GNU R WGCNA 的 blockwiseModules,便于两边做对照: maxBlockSize、minModuleSize(minClusterSize)、deepSplit、 mergeCutHeight 都可以在 R 侧找到同名(或语义相同)的参数。
# namespace SMRUCC.genomics.Analysis.HTS.WGCNA
export class WGCNAConfig {
# 邻接矩阵的边截断阈值
adjacency: double;
# 用于估计全局 beta 的抽样基因数(0 表示取 min(nGenes, 5000))
betaSampleSize: integer;
# beta 扫描的候选序列。Nothing 时使用 seq(1,10) 拼接 seq(11,30,by=2)。
betaSeq: double;
# 分块模式下是否构建网络图对象
buildGraph: boolean;
# 是否物化 p 值矩阵。False 时 p 值按 (i,j) 现算,可以省掉一半的 n^2 内存。
computePvalue: boolean;
# 预先计算的相关矩阵存储目录(repo)。
correlationStore: string;
# 动态剪切的高度上限。NaN 时自动取 0.99*(max(h)-refHeight)+refHeight。
cutHeight: double;
# 动态剪切的拆分深度(0~4),越大切出的模块越多越小
deepSplit: integer;
# 静态剪切的树总距离百分比阈值(仅在 TreeCutMethod.StaticCut 下生效)
distCut: double;
# 基因预过滤:只保留方差最大的前 N 个基因(0 表示不过滤)
filterTopN: integer;
# 单个块的最大基因数。超过该规模时先做预聚类分块。
maxBlockSize: integer;
# 同时处理的块数量上限(控制 n^2 内存峰值)
maxConcurrentBlocks: integer;
# 构建网络图时的最大边数(0 表示不限制)
maxEdges: integer;
# 基因预过滤:剔除缺失率高于该阈值的基因(0 表示不过滤)
maxMissingRate: double;
# 跨块模块合并的高度阈值(模块特征基因不相似度小于该值即合并)
mergeCutHeight: double;
# 模块的最小基因数(对应 R 的 minClusterSize / minModuleSize)
minModuleSize: integer;
# 基因预过滤:剔除方差小于该阈值的基因(0 表示不过滤)
minVariance: double;
# 动态剪切是否执行 PAM 阶段(把未标注基因分配到最近的模块)
pamStage: boolean;
# 单块分析时是否用 PCA 前三主成分作为网络节点的初始坐标
pcaLayout: boolean;
# 软阈值幂次。NaN 时先在抽样基因上自动做 beta 扫描估计。
power: double;
# 预聚类(projectiveKMeans)的随机种子
randomSeed: integer;
# 树剪切方式
treeCut: TreeCutMethod;
# 是否尝试启用 CUDA GPU 后端
useGpu: boolean;
# 是否输出各阶段的进度日志
verbose: boolean;
}
treeCut: TreeCutMethod