pca主成分分析结果解释_PCA主成分分析

主成分分析（ Principal Component Analysis, PCA） 是将原本鉴定到的所有代谢物重新线性组合，形成一组新的综合变量，同时根据所分析的问题从中选取2-3个综合变量，使它们尽可能多地反映原有变量的信息，从而达到降维的目的。同时，对代谢物进行主成分分析还能从总体上反应组间和组内的变异度。总体样本 PCA 分析采用 PCA 的方法观察所有各组样本之间的总体分布趋势，找出可能存在的离散样本，综合考虑各种因素（样品数，样品珍贵程度，离散程度）决定离散点的除去与否。

提到PCA，一般情况我们都会说这是降维分析。大家多多少少都看过前几年大热的三体，里面的降维攻击大家基本都是有所了解，这里就不多做降维这个词的解释了。虽然PCA图看起来容易简单，但是其后面的机制却不简单。在实际问题中，我们会发现测序数据有很多指标，比如说基因的表达量，SNP数据，SSR数据等等。

如：百泰派克生物平台采用 XCMS 软件对代谢物离子峰进行提取。将 25 个实验样本和 QC 样本提取得到的峰，归一化后进行 PCA 分析， 样本紧密聚集在一起，表明本次试验的仪器分析系统稳定性较好，试验数据稳定可靠，在试验中获得的代谢谱差异能反映样本间自身的生物学差异。

PCA（principal component analysis）主成分分析是生物信息分析的常规分析内容，一般说来，PCA图可以反映表示以下几个问题：

1）检测样本的重复性和离群样本。很显然，正常情况下，生物学重复样本或者同一分组的样本应该是聚在一起的。出现离群样本时要对此进行评估。

2）生物学意义。在重测序中，能表示各亚群间的进化关系。可以观察到三个不同颜色的+表示的样本区域是重叠的，这意味着它们之间具有较多的基因交流或者是同一起源。在转录组测序中，我们可以判断不同的实验处理的效应大小，以及相应的样本面对处理的应对情况等等。PCA图的生物学意义要根据你的研究内容而定。

PCA主成分分析可以应用在任何多样本多变量的数据分析中，在生物信息分析中，基因表达量，SNP，16s多样性等等都可以用PCA进行分析。生态学中的地理调查，多环境指标也常用PCA进行分析。

参考资料来源：

图片资料来源--百泰派克生物平台

内容资料来源--百泰派克生物平台、各处网络资料