R语言绘制精美PCoA图

什么是PCoA？principal coordinate analysis
微生物群落结构受多种因素影响，例如光照、温度、人群性别、年龄等。

要了解目的分组是否与某种因素存在联系，我们常常会用到PCA、PCoA等排序方法。

PCoA能够将样本之间的相似性距离（虚拟距离），经过投影后，在低维度空间进行欧几里德距离展示，
以最大限度地保留原始样本的距离关系，使相似的样本在图形中的距离更为接近，相异的样本距离更远。

因此相比于PCA，PCoA以样本距离为整体考虑，更符合生态学数据特征，应用也更为广泛。

虽然一般的16S或者宏基因组等分析流程当中都会包含PCoA分析，但如果自己想要更改分组的形状，或者挑选特定的OTU进行分析，那么自己进行操作会高效很多。
PCoA的作图主要分为三个步骤：


选择特定的相似性距离并计算距离矩阵。距离的选择可以有Bray-curits、Unifrac等，不同的距离有不同的作用和意义（具体可以参考 微生物β多样性常用计算方法比较）。相似性距离可以利用R的GUniFrac和vegan等包计算，也可以利用QIIME计算。
进行PCoA分析，也就是利用表征分析选择最能表示样本距离的坐标轴。这个可以利用R的ape包的pcoa（）命