==========================================================

软阈值的选取

通过无标度拓扑（scale free topology）选择邻接函数的软阈值
细节见书 4.3节，zhang and Horvath基于无标度拓扑准则，提出选择软阈值的方法。也就是说，我们根据无标度拓扑拟合指数（公式1.13）：选择满足近似无标度拓扑的最小的beta值作为构建共表达网络的邻接函数的软阈值。

计算不同的软阈值对应的无标度拓扑拟合指数R^2。从中选择近似于无标度拓扑的最小的beta值，作为构建共表达网络的邻接函数的软阈值。

Left hand side: the SFT index R^2 (y-axis) as a function of different powers beta (x-axis). While R^2 tends to go up with higher powers, there is not a strictly monotonic relationship.尽管SFT图中的R^2随着beta值的增大而增大，但是二者之间没有严格的单调关系。
右边的图：平均连接性（y轴）关于软阈值β（x轴）是严格单调下降的。

我们选择软阈值β=7，因为当β=7时，曲线达到饱和点。

==========================================================通过动态切割树算法，自动识别模块。

逐步模块识别方法在12.2.4节介绍，函数blockwiseModules自动的进行模块识别的所有步骤。也就是说，这个函数自动地构建一个相关网络，创建一个聚类树，将树的分支定义为模块，将相近的模块融合到一起。这个函数输出模块颜色和模块特征基因，这些结果将会用于后续的分析。人们可以将模块识别的结果进行可视化。
这个函数有很多参数，在这个函数的许多示例中，参数往往设定为它们的默认值。开发者尽力提供合理的参数默认值，但是，这些参数默认值可能并不适合某个特定的数据分析。

颜色条对模块设定（树形图中树枝的剪切）提供了一个简单可视化比较，通过颜色条，可以清楚的看到，树形图的那些分支被分到同一组。

参数maxBlockSize告诉函数：读者计算机可以处理的最大block的大小。默认值为5000，这个值适用于大部分现代计算机。注意：当这个代码处理超过5000行的数据集时，这个函数会将数据切割成几个block。

recutBlockwiseTrees函数可以应用于blockwiseModules的运行结果。这个函数可以用来改变切枝的参数，而不需要重复计算聚类的密集计算。

模块识别的具体操作步骤：

计算一个加权邻接矩阵A
根据距离矩阵，计算拓扑重叠矩阵（公式1.27）
构建一个聚类树形图
将聚类树形图的分支定义为模块

树形图的分支将紧密互相连接且高度共表达的基因连接在一起。将聚类树的分支定义为模块，也就是模块的识别涉及到树的剪枝。现如今对于剪枝已有很多方法。最灵活的方法时动态树剪切法（8.6节进行描述），其对应的R函数为cutreeDynamic(Langfelder, Zhang et al 2007)