nuget
BlockModules
01 Syntax
02 Methods
| Name | Overloads | Summary |
|---|---|---|
| SplitModules | 1 | 按 WGCNA 模块划分将基因分组（跳过 grey 模块，仅保留出现在 timeSeries 中的基因）。 |
| BuildModuleRegulatoryLinks | 1 | 从合并先验网络中筛选两端都属于当前模块基因的定向边，转为 DBN 拓扑所需的 RegulatoryLink 集合。调控方向沿用 prior 的 RegulationType； 若某模块无任何模块内先验边，返回空集合（DBN 退化为无父节点拓扑，仅学习自身时序分布）。 |
| ComputeModuleEigengene | 1 | 计算模块 eigengene 轨迹：各时间点上模块基因均值（顺序与 timeSeries 一致）。 时间点不足时返回长度为 1 的均值向量，关联图仍可工作（相关退化为常数）。 |
| BuildModuleCorrelationGraph | 1 | 基于模块 eigengene 轨迹的 Pearson 相关构建模块间关联图（邻接表，权重 = |cor|）。 仅保留 |cor| 超过阈值的双向关联。 |
| ApplyQuantileThresholds | 1 | 按每个基因在时间序列上的经验分布计算分位数阈值，写入网络的 per-node 离散化阈值。 时间序列通常是原始 log1p 表达值（量级 0~10+），而 DBN 的默认阈值（0.33 / 0.66） 是按"已归一化到 [0,1]"的数据设计的：log1p(x)=0.66 仅对应原始 count≈0.94， 直接使用会让几乎所有有表达的基因都被判为… |
| InferRegulationDirections | 1 | 用模块内的时间序列表达数据，重新推断每条调控边的方向（激活 / 抑制）。 WGCNA 先验网络的权重是非负的共表达强度（|cor| 的软阈值变换），不含方向符号； 伪速率先验也只生成激活边。因此若完全依赖先验，网络中将 100% 是激活边， 激活得分恒为正、CPT 的 Low 分支不可达，虚拟扰动也就无法产生任何下调响应。 这里改由表达数据本… |
| DifferencedLaggedCorrelation | 1 | 差分滞后相关：先对两条序列做一阶差分（去除伪时间轨迹的共同趋势）， 再取 cor(Δx[t], Δy[t+1])。 直接用原始序列的滞后相关会被共同趋势主导：细胞沿伪时间连续变化， 相邻 bin 高度相似，几乎所有基因对的滞后相关都为正（实测 100% 为正， 完全无法区分激活与抑制）。差分后保留的是同步波动，才能反映真实的耦合方向。 |
| LaggedCorrelation | 1 | 滞后 Pearson 相关 cor(x[0..n-2], y[1..n-1])： 刻画"上游 t 时刻状态 → 下游 t+1 时刻状态"的时序关联（2TBN 语义）。 |
| ComputeWildtypeAbundance | 1 | 计算每个基因的野生型表达丰度：取该基因在全部时间点上的中位数。 用中位数而非均值，是因为单细胞 log1p 表达存在大量 dropout 零值与右尾异常值， 中位数刻画的是"典型表达水平"，对它们稳健；均值会被异常高表达拉偏。 |
| Median | 1 | 中位数（对升序排序后的数组取中值，偶数个元素时取中间两个的均值） |
| Quantile | 1 | 取已升序排序数组的分位数（最近秩法） |
| Pearson | 1 | Pearson 相关（对不等长序列按较短者截断），用于模块 eigengene 轨迹相关度。 |
03 Members
IEnumerable(Of GeneModuleColor), GeneExpressionData)按 WGCNA 模块划分将基因分组（跳过 grey 模块，仅保留出现在 timeSeries 中的基因）。
String())从合并先验网络中筛选两端都属于当前模块基因的定向边，转为 DBN 拓扑所需的 RegulatoryLink 集合。调控方向沿用 prior 的 RegulationType； 若某模块无任何模块内先验边，返回空集合（DBN 退化为无父节点拓扑，仅学习自身时序分布）。
IReadOnlyCollection(Of Dictionary(Of String, Double)))计算模块 eigengene 轨迹：各时间点上模块基因均值（顺序与 timeSeries 一致）。 时间点不足时返回长度为 1 的均值向量，关联图仍可工作（相关退化为常数）。
IReadOnlyCollection(Of ModuleDBN), Double)基于模块 eigengene 轨迹的 Pearson 相关构建模块间关联图（邻接表，权重 = |cor|）。 仅保留 |cor| 超过阈值的双向关联。
按每个基因在时间序列上的经验分布计算分位数阈值，写入网络的 per-node 离散化阈值。
时间序列通常是原始 log1p 表达值（量级 0~10+），而 DBN 的默认阈值（0.33 / 0.66） 是按"已归一化到 [0,1]"的数据设计的：log1p(x)=0.66 仅对应原始 count≈0.94， 直接使用会让几乎所有有表达的基因都被判为 High，使学习到的 CPT 与推理证据都偏向 High。 用分位数自适应阈值可以保证 Low / Medium / High 三态在数据侧获得合理比例。
用模块内的时间序列表达数据，重新推断每条调控边的方向（激活 / 抑制）。
WGCNA 先验网络的权重是非负的共表达强度（|cor| 的软阈值变换），不含方向符号； 伪速率先验也只生成激活边。因此若完全依赖先验，网络中将 100% 是激活边， 激活得分恒为正、CPT 的 Low 分支不可达，虚拟扰动也就无法产生任何下调响应。
这里改由表达数据本身推断方向：按 2TBN 的时序因果语义，取 TF[t] 与 target[t+1] 的滞后相关，正相关判为激活、负相关判为抑制。
Double(), Double())差分滞后相关：先对两条序列做一阶差分（去除伪时间轨迹的共同趋势）， 再取 cor(Δx[t], Δy[t+1])。
直接用原始序列的滞后相关会被共同趋势主导：细胞沿伪时间连续变化， 相邻 bin 高度相似，几乎所有基因对的滞后相关都为正（实测 100% 为正， 完全无法区分激活与抑制）。差分后保留的是同步波动，才能反映真实的耦合方向。
Double(), Double())滞后 Pearson 相关 cor(x[0..n-2], y[1..n-1])： 刻画"上游 t 时刻状态 → 下游 t+1 时刻状态"的时序关联（2TBN 语义）。
List(Of Dictionary(Of String, Double)), String())计算每个基因的野生型表达丰度：取该基因在全部时间点上的中位数。
用中位数而非均值，是因为单细胞 log1p 表达存在大量 dropout 零值与右尾异常值， 中位数刻画的是"典型表达水平"，对它们稳健；均值会被异常高表达拉偏。
List(Of Double))中位数（对升序排序后的数组取中值，偶数个元素时取中间两个的均值）
Double(), Double)取已升序排序数组的分位数（最近秩法）
Double(), Double())Pearson 相关（对不等长序列按较短者截断），用于模块 eigengene 轨迹相关度。