PCoA主坐标分析
文献引用：Bioinformatic analysis was performed using the OECloud tools at https://cloud.oebiotech.com.
--------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------
PCoA（principal co-ordinates analysis）是一种研究数据相似性或差异性的可视化方法，通过一系列的特征值和特征向量进行排序后，选择主要排在前几位的特征值，PCoA 可以找到距离矩阵中最主要的坐标，结果是数据矩阵的一个旋转，它没有改变样品点之间的相互位置关系，只是改变了坐标系统。
通过PCoA 可以观察个体或群体间的差异。
参数调整
结果与说明
任务正在排队中，目前后台全部排队数量:
当前任务运行预计需要耗时
程序正在运行中，预计需要耗时
程序运行出错，报错信息如下：
1. 物种或OTU相对丰度文件
第一列为物种名，随后为样本分析名，各列对应值为物种在样本中的相对丰度。
demo数据下载：OTUs.xlsx
2. 样本分组信息文件
第一列为样本分析名，第二列为样本的分组名称（注意列名的首字母大写）。
物种丰度表与距离矩阵文件二选一即可，如都不选择会报错。
demo数据下载：mapping.xlsx
3. 距离矩阵文件
第一行为样本名称，第一列为样本名称（注意样本名称与样本分组信息文件一致）。
物种丰度表与距离矩阵文件二选一即可，如都不选择会报错。
demo数据下载：
binary_jaccard_otu_table_even.xls
1.结果示意图
图片说明：结果生成pdf、png格式，横坐标（ PC1 ）和纵坐标（ PC2 ）为样本间差异解释度最大的两个主要坐标，相同颜色为相同分组，一个点即为一个样本，相似的样本会聚在一起，分别提供无标签及添加标签形式。
PCoA 3D图，使用PC1、PC2和PC3分别作为X轴、Y轴和Z轴绘制散点图。
只有大于3个样本才会画3d图。
(1) 支持格式 txt,csv,xlsx,xls；
(2) 添加置信圈需要每个组组内至少4个样本；
可选配色参考
| 版本 | 更新日期 | 更新内容 |
|---|---|---|
| v2.0 | 2021.03.09 | 上线 |
| v2.3 | 2021.03.12 | 加入no ellipse图 |
| v2.4 | 2021.04.27 | 删除Rplots.pdf |
| v2.7 | 2022.2.24 | 矩阵文件可直接分析，增加调整字体等参数 |
| v3.3 | 2022.9.22 | 架构调整，添加3d图模块 |
| v3.4 | 2022.10.11 | 添加adonis和anosim分析 |