PCA分析

开发者：oebiotech  |  更新于1 月，1 周前  |  浏览量 3874

主成分分析（Principal Component Analysis，PCA），是对原有的复杂数据进行降维，保持数据集中对方差贡献最大的特征，去除噪音和冗余，从而有效地找出数据中最“主要”的元素和结构，主要影响因素区分各个样本，根据样本远近展示样本/分组间的相似性和差异性。

参数信息
  1. 输入文件，根据不同平台可为：探针表达量文件，counts，OTU 等。
  2. 数据过滤方式，默认方式为不对数据作处理，各平台数据过滤方式不同，请注意输入文件是否属于以下类型：芯片、转录组测序、微生物多样性OTU。

查看更多非必选参数

  1. 样品分组信息文件通常包含两列，第一列为样品名，第二列为各样品相应的分组名，表头须命名为“Group”。
  2. 设置绘制椭圆的置信水平，范围可选：0.5-0.95
  3. 设置绘制椭圆的背景透明度，范围可选：0-1
    字体类型，默认"Arial"
    字体样式，默认"无"
相关数据
  • 使用说明
  • 结果说明
  • 重要提示
  • 版本信息

    1. 1. 矩阵文件

        第一列为探针/基因/OTU名称，其余各列为各样品中相应检测值。（下图以基因reads数矩阵为例展示）


    counts.png


        demo数据下载：counts.oecloud.xls


    1. 2.样本分组信息文件（非必选）

        示例文件为样本分组信息，需包含列名 "Group"。


    groupPCA.png


        demo数据下载：sample_group.oecloud.xls


    1. 1. 图形输出

        结果生成pdf、png格式，PCA 2D图，使用主成分1（PC1：Principal component 1）和主成分2（PC2：Principal component 2）作为X轴和Y轴绘制散点图，分别提供无标签及添加标签形式。

    PCA_2D1.png

    PCA_2D.png

        PCA 3D图使用主成分1、主成分2和主成分3分别作为X轴、Y轴和Z轴绘制散点图。

    PCA_3D.png


        PCA 2D图，添加置信椭圆。

    PCA_2D_2.png


    1. (1) 少于3个样本时，不进行主成分分析；

    2. (2) 默认条件下，不对数据做任何处理，各平台数据过滤方式不同，请注意输入文件是否属于以下类型：芯片、转录组测序、微生物多样性OTU；

    3. (3) 绘制置信椭圆，需添加样本分组信息文件，且组内生物学重复需为4个样本及以上；

    4. (4) 导出PCA分析中间结果，即各主成分数据矩阵；

    5. (5) 请使用本工具前，按照输入示例文件格式对数据进行修改；


  • 版本更新日期更新内容
    v1.92020.09.27整合多平台主成分分析工具
    v1.9.12020.10.25添加置信区间椭圆相关参数
    v2.1.22020.11.04修改默认输出图片格式
    v2.1.32020.11.13针对目前所遇到的文件格式错误制定报错机制
    v2.1.42020.12.11

    添加字体参数-PCA-3D除外, 判断编码方式

    v2.1.5
    		2020.12.26
    		判断编码方式优化, 空数据矩阵检查, 导出pca中间结果
    v2.1.5.12020.12.28修复小bug
    v2.3.02021.01.22报错日志oeweb_task.log