本文转载自“金唯智生物科技”，已获授权。

在微生物NGS测序领域的高分文章中，PCA（主成分分析）和PCoA（主坐标分析）会很常见。甚至在RNA分析领域，很多研究和文章也会依据基因的表达量作PCA和PCoA分析。

常见的PCA和PCoA分析以下图的形式呈现：

国际空间站与喷气推进实验室依据种群多样性进行的PCoA分析^[1]

不同培养条件马铃薯浆发酵液的菌群差异^[2]

很明显，我们可以通过分析坐标轴中样本和样本之间的距离直观地看到2个样本或2组样本之间的菌群差异性。若2个样本或2组样本之间的直线距离较近，则表示这2个样本或2组样本的菌群差异性较小；相反，若2个样本或2组样本之间的直线距离较远，则表示它们之间菌群差异性较大。所以，PCA和PCoA所呈现的结果，具有直观性（直接看两点之间的距离）和完整性（呈现所有样本），且数据易于分析和解读（大家都看得懂）。

那么，PCA和PCoA是如何定义的？PCA和PCoA之间是否有区别？何时该选用PCA或何时该选用PCoA？PCA和PCoA背后的分析原理如何？相信这些问题是比较困扰读者的。

PCA（Principal Components Analysis）即主成分分析，也称主分量分析或主成分回归分析法，首先利用线性变换，将数据变换到一个新的坐标系统中；然后再利用降维的思想，使得任何数据投影的第一大方差在第一个坐标(称为第一主成分)上，第二大方差在第二个坐标(第二主成分)上。这种降维的思想首先减少数据集的维数，同时还保持数据集的对方差贡献最大的特征，最终使数据直观呈现在二维坐标系^[3]。

PCoA（Principal Co-ordinates Analysis）分析即主坐标分析，可呈现研究数据相似性或差异性的可视化坐标，是一种非约束性的数据降维分析方法，可用来研究样本群落组成的相似性或相异性。它与PCA类似，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，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，它没有改变样本点之间的相互位置关系，只是改变了坐标系统。两者的区别为PCA是基于样本的相似系数矩阵（如欧式距离）来寻找主成分，而PCoA是基于距离矩阵（常用bray, jaccard, unifrac）来寻找主坐标^[4]。

好吧，定义比较抽象，我们还是无法看懂看透PCA和PCoA。不急，下面的文字很重要~~~

a. 假如有3个实验样本，它们共有1个物种x，那么我们其实可以用物种x的相对丰度来表示样本和样本之间的差异。这样我们就可以画一个一维坐标轴，将这3个样本的物种x的丰度表示在一维轴线上，如下图所示：

此时数据不发生偏移，样本和样本之间的距离代表样本之间的物种丰度差异（实际上样本A和B间的距离即为A中的物种x的丰度与B中物种x的丰度的差值）。

b. 假如有3个实验样本，它们共有2个物种：x和y。那么我们其实可以用物种x和物种y的相对丰度来在二维坐标系中定位样本。A=（x1,y1）， B=（x2,y2），C=（x3,y3），如下图所示：

此时数据不发生偏移，样本和样本之间的距离代表样本之间的物种丰度差异。

c. 假如有3个实验样本，它们共有k个物种: x, y, z…………k。那么我们其实可以用物种x, y, z…………k的丰度来定位样本A=（x1,y1,z1……………k1）。同理，样本B与C也可以用这种形式表示。细心的同学可以发现，其实A=（x1,y1,z1……………k1）是一组向量，而且是k维向量（A=（x1）是一维向量，A=（x1,y1）是二维向量，A=（x1,y1,z1）是三维向量）。但是k维向量无法在二维坐标系（平面）中表示（一维和二维向量可以，如上a和b两种情况）。此时我们要么将K维向量作出一些取舍，如削去一些不重要的向量仅保留2个关键向量（削去一些不重要的物种仅保留2个关键物种）；要么将K维向量投射到二维坐标系中（降维），但是此时数据便会损失，例如下图，我们将二维坐标系中的数据投射到一维坐标系中，实际数据会折扣掉一部分（A和B的直线距离为5，投射到x轴的一维距离为4，投射到y轴的一维距离为3。从第一维坐标轴上观察A和B的距离只有4，从第二维坐标轴上观察A和B的距离只有3。）。

因此将k维空间的数据投射到二维空间上（降维），就会产生数据损失，此时坐标轴的贡献率就不再是100%，而是小于100%（而a和b两种情况无需降维处理，因此贡献率为100%）。此时数据如下图所示：

因降维处理，数据发生损失，样本和样本之间的距离代表样本之间的物种丰度差异。

那么如何来选择投影？这就是定义当中所提到的“使得任何数据投影的第一大方差在第一个坐标(称为第一主成分)上，第二大方差在第二个坐标(第二主成分)上”。

a. 假如有2个实验样本，它们都有很多物种，那么我们可以用Bray-Curtis或UniFrac（或其他算法）计算每个样本的物种组成差异度（用一个数值表示物种相对丰度），数值之间的差异就代表了2个样本的物种相对丰度的差异。这样我们就可以画一个一维坐标轴，将这2个样本表示在一维轴线上，如下图所示：

此时数据不发生偏移，样本和样本之间的距离代表样本之间的物种丰度差异。

b. 假如有3个实验样本，同样可以用Bray-Curtis或UniFrac（或其他算法）计算每个样本的物种组成差异度（用一个数值表示物种相对丰度），数值之间的差异就代表了每2个样本的物种相对丰度的差异。这样我们就可以画一个二维坐标轴（三点组成一个面），将这3个样本表示在二维轴线上，如下图所示：

此时数据不发生偏移，样本和样本之间的距离代表样本之间的物种丰度差异。

c. 以此类推，假如有n个实验样本，同样可以用Bray-Curtis或UniFrac（或其他算法）计算每个样本的物种组成差异度（用一个数值表示物种相对丰度），数值之间的差异就代表了每2个样本的物种相对丰度的差异。这样我们就可以画一个n-1维坐标轴，将这n个样本表示在n-1维空间中。但是n-1维空间无法在平面上表示（一维和二维除外，三维勉强可以），因此只能利用矩阵呈现，如下图所示：

若要将n-1维的数据在二维坐标系中呈现，需降维处理，即将n-1维的数据投影到二维空间当中，方法与思路同PCA类似。此时，2个坐标轴的贡献率均小于100%，如下图所示：

因降维处理，数据发生损失，样本和样本之间的距离代表样本之间的物种丰度差异。

这个时候， PCA和PCoA就好理解了。我们再回过头看定义“PCA是基于样本的相似系数矩阵（如欧式距离）来寻找主成分，而PCoA是基于距离矩阵（欧式距离以外的其他距离）来寻找主坐标”，其实浅显地来理解，就是上面这么回事。

我们知道了PCA和PCoA的定义，也理解了PCA和PCoA的区别，那么它们该何时选用，以及背后的算法如何？欲知后事如何，且听下回分解。

特此声明：

1、 本文仅供读者理解，不涉及专业学术论证；

2、 本文为小编的一点感悟心得，非常欢迎各位业界同行的讨论与交流，同时也非常欢迎各位专家老师的指正，您的一个问题会使我们共同进步！

参考文献：

[1] Aleksandra Checinska et al., Microbiomes of the dust particles collected from the International Space Station and Spacecraft Assembly Facilities. Microbiome. 2015

[2] Zhiman Yang et al., Enhanced methane production via repeated batch bioaugmentation pattern of enriched microbial consortia. Bioresource Technology. 2016

[3] https://baike.baidu.com/item/主成分分析/829840?fr=aladdin

[4] http://blog.sina.com.cn/s/blog_49e55e450102uzj8.html

猜你喜欢

10000+：肠道细菌 人体上的生命 宝宝与猫狗 梅毒狂想曲 提DNA发Nature 实验分析谁对结果影响大  Cell微生物专刊

系列教程：微生物组入门 Biostar 微生物组  宏基因组

专业技能：生信宝典 学术图表 高分文章 不可或缺的人

一文读懂：宏基因组 寄生虫益处 进化树

必备技能：提问 搜索  Endnote

文献阅读 热心肠 SemanticScholar Geenmedical

扩增子分析：图表解读 分析流程 统计绘图

16S功能预测   PICRUSt  FAPROTAX  Bugbase Tax4Fun

在线工具：16S预测培养基 生信绘图

科研经验：云笔记  云协作 公众号

编程模板 Shell  R Perl

生物科普  生命大跃进  细胞暗战 人体奥秘  

写在后面

为鼓励读者交流、快速解决科研困难，我们建立了“宏基因组”专业讨论群，目前己有国内外150+ PI，1500+ 一线科研人员加入。参与讨论，获得专业解答，欢迎分享此文至朋友圈，并扫码加主编好友带你入群，务必备注“姓名-单位-研究方向-职称/年级”。技术问题寻求帮助，首先阅读《如何优雅的提问》学习解决问题思路，仍末解决群内讨论，问题不私聊，帮助同行。

学习16S扩增子、宏基因组科研思路和分析实战，关注“宏基因组”