主成分分析经典案例（跟着SCI文献读懂PCA图片的内容和原理）

尔云间 一个专门做科研的团队

云生信学生物信息学 关注我们

以下文章来源于A科研显微镜 ，作者eryun

PCA

Principal component analysis

在拿到测序公司给的生信分析报告的时候，我们可能会看到一张主成分分析（principal component analysis，PCA）图。

也许你在结果解读的时候不知道怎么描述？

大部分就写成组与组之间存在显著分离，然后就没啦，这样是不是有点过于单薄。

如何才能读懂PCA图的组成部分，并且写出完整的结果描述呢？看完这篇就知道啦。

概述

一般来说，研究中涉及一个变量，两个变量以及三个变量时，可以分别绘制成一维，二维，和三维空间图来展示结果。

然而，涉及到多个变量时，结果过于复杂，无法准确的展示。

这时，用到PCA分析的关键一步，降维。

简单来说，通过减少数据中的变量来化简数据；这里的减少指标，并不是随意加减，而是用复杂的数理知识，得到几个“综合指标”来代表整个数据，这个综合指标就是所谓的主成分！

下面我们分类型来举例说明下

简单的两组比较

先观察一下图片中的组成成分，主要包括主成分和样本点。

每组的样本都用圆圈进行聚类，每个部分代表的内容如图所示。

图片来源于：PMCID: PMC7011317

多组处理比较

图片来源于：PMCID: PMC7585944

PCA biplot（涉及箭头）

图片来源于：PMCID: PMC8085102

其他类型

两个线条之间的夹角，可理解为两个变量之间的相关性

夹角小于90度，可以认为两个变量正相关

大于90度，可以认为两个变量负相关。

图片来源于：PMCID: PMC8224010

通过某个变量所代表的线条在PC1和PC2上的投影，我们可以看出这个变量对样本分离的贡献度，线条越长，代表投影越大，影响越显著。

图片来源于：PMID: 29723835

小结

PCA常见图片的结果解读就到这里啦，从实战中更清晰的了解PCA图。

相信阅读完以后，对于写作会有一定的帮助。

总的来说，描述的时候不仅要考虑样本的重复性，还要观察该结果的生物学意义。

搞清楚原理后，不管遇到什么样的PCA图，都可以应对的游刃有余了。

如果您在日常学习和工作中遇到什么问题，欢迎在下方留言哦。

另外，关注我们，定期为大家分享一些相关干货知识，欢迎关注和转发~