2025-05-08
降維處理的重要性
每一個物種(ASV/OTU)在兩個樣本之間差異，即是反映這兩個樣本間群落差異的一個維度。而由于群落中物種的數量往往非常巨大，樣本間群落的差異往往就會是多維度的，進而難以進行直接比較。此時，就需要相關算法對這個多維數據進行降維。
主坐標分析（PCoA）原理與優勢
主坐標分析(Principal coordinates analysis，PCoA)便是一種最經典的非約束排序(Classical Multidimensional Scaling，cMDScale)分析方法。它通過將樣本距離矩陣經過投影后，在低維度空間進行展開，并最大限度地保留原始樣本的距離關系。PCoA以樣本距離為整體考慮，相比于主成分分析(Principal components analysis，PCA)，更符合生態學數據特征，因此作為排序分析手段，更為推薦使用。
快捷應用
在#派森諾基因云 平臺新版微生物多樣性組成譜分析分析中，PCoA作為一種基于距離矩陣的降維技術，其圖表呈現的多樣性可通過分析設置模塊中的是否包含二級信息，實現從基礎到高階的轉換。以下從兩個核心方向詳細闡述其繪圖方式的區別之處。
一、基礎繪圖模式
1. 分析設置
在分析設置模塊，如果二級信息選項中選擇“無”，直接提交分析任務，運行成功后切換對應分析記錄。
2. 圖表調整
a. 基礎調整：修改圖表類型（散點圖 / 按組連線 / 置信橢圓）、點的大小與形狀。
b. 邊緣圖擴展：
密度圖：可視化樣本聚集程度。
箱線圖：對比不同分組間的離散趨勢。
二、高階繪圖模式
1. 分析設置
在分析設置模塊，如果在二級信息選項中選擇“有”，然后選擇預先創建好的因子表及對應的因子數據，在提交分析任務之后，等待分析記錄運行成功，然后切換對應分析記錄。
*若尚未創建理化因子列表，需先進入「數據系統管理」模塊完成創建，點擊下方圖片可查看具體的創建理化因子的步驟。
2. 圖表調整
在圖表設置我們可以去調整圖表選項，點的大小、形狀、顏色等，根據是按因子和按分組有不同的情況。
點的形狀：
按因子劃分：每個因子都可以設置不同形狀，便于區分不同因子（如圓形、三角形）。
按分組劃分：每個組即為一個形狀，便于觀察分組間差異。
點的顏色
按因子分布：圖上每個因子都會有不同顏色，每一個點即為一個因子。
按分組分布：圖表將按照分組進行上色，通過顏色區分不同的分組，觀察不同組別差異情況。
最后，還可以選擇添加密度圖和箱線圖，以展示樣本點在X軸和Y軸上的分布密度情況。
百度搜索“#派森諾基因云 ”或直接訪問官方網站//www.genescloud.cn/home進入平臺。登錄后，點擊“云分析”功能模塊，通過搜索關鍵詞新版微生物多樣性組成譜分析，側邊欄找到Beta多樣性分析模塊—— PCoA分析開始分析繪圖。
溫馨提示：平臺現已正式接入DeepSeek-R1滿血版，您可以根據需求切換不同模型進行體驗。在繪圖過程中，如果遇到常見問題，建議先使用#PAI繪圖小助手進行自助解決；若有個性化需求或遇到無法解決的問題，歡迎通過【工單中心】與平臺聯系，提出您的需求或建議。
#派森諾基因 云始終秉持“持續創新，不斷升級”的理念，未來將推出更多精美的可視化圖表與實用的分析工具，期待您的使用與反饋！
