2025-05-08
降维处理的重要性
每一个物种(ASV/OTU)在两个样本之间差异，即是反映这两个样本间群落差异的一个维度。而由于群落中物种的数量往往非常巨大，样本间群落的差异往往就会是多维度的，进而难以进行直接比较。此时，就需要相关算法对这个多维数据进行降维。
主坐标分析（PCoA）原理与优势
主坐标分析(Principal coordinates analysis，PCoA)便是一种最经典的非约束排序(Classical Multidimensional Scaling，cMDScale)分析方法。它通过将样本距离矩阵经过投影后，在低维度空间进行展开，并最大限度地保留原始样本的距离关系。PCoA以样本距离为整体考虑，相比于主成分分析(Principal components analysis，PCA)，更符合生态学数据特征，因此作为排序分析手段，更为推荐使用。
快捷应用
在#派森诺基因云 平台新版微生物多样性组成谱分析分析中，PCoA作为一种基于距离矩阵的降维技术，其图表呈现的多样性可通过分析设置模块中的是否包含二级信息，实现从基础到高阶的转换。以下从两个核心方向详细阐述其绘图方式的区别之处。
一、基础绘图模式
1. 分析设置
在分析设置模块，如果二级信息选项中选择“无”，直接提交分析任务，运行成功后切换对应分析记录。
2. 图表调整
a. 基础调整：修改图表类型（散点图 / 按组连线 / 置信椭圆）、点的大小与形状。
b. 边缘图扩展：
密度图：可视化样本聚集程度。
箱线图：对比不同分组间的离散趋势。
二、高阶绘图模式
1. 分析设置
在分析设置模块，如果在二级信息选项中选择“有”，然后选择预先创建好的因子表及对应的因子数据，在提交分析任务之后，等待分析记录运行成功，然后切换对应分析记录。
*若尚未创建理化因子列表，需先进入「数据系统管理」模块完成创建，点击下方图片可查看具体的创建理化因子的步骤。
2. 图表调整
在图表设置我们可以去调整图表选项，点的大小、形状、颜色等，根据是按因子和按分组有不同的情况。
点的形状：
按因子划分：每个因子都可以设置不同形状，便于区分不同因子（如圆形、三角形）。
按分组划分：每个组即为一个形状，便于观察分组间差异。
点的颜色
按因子分布：图上每个因子都会有不同颜色，每一个点即为一个因子。
按分组分布：图表将按照分组进行上色，通过颜色区分不同的分组，观察不同组别差异情况。
最后，还可以选择添加密度图和箱线图，以展示样本点在X轴和Y轴上的分布密度情况。
百度搜索“#派森诺基因云 ”或直接访问官方网站https://www.genescloud.cn/home进入平台。登录后，点击“云分析”功能模块，通过搜索关键词新版微生物多样性组成谱分析，侧边栏找到Beta多样性分析模块—— PCoA分析开始分析绘图。
温馨提示：平台现已正式接入DeepSeek-R1满血版，您可以根据需求切换不同模型进行体验。在绘图过程中，如果遇到常见问题，建议先使用#PAI绘图小助手进行自助解决；若有个性化需求或遇到无法解决的问题，欢迎通过【工单中心】与平台联系，提出您的需求或建议。
#派森诺基因 云始终秉持“持续创新，不断升级”的理念，未来将推出更多精美的可视化图表与实用的分析工具，期待您的使用与反馈！
