生物医学研究的浩瀚海洋中，我们常常面临着海量且高维度的数据洪流。以基因数据为例，每一个样本都承载着成千上万个基因的测量指标，每一个基因都宛如一个独特的特征维度，共同构成了一个复杂庞大的多维数据空间。然而，人类的认知能力在面对如此高维度的数据时，往往显得力不从心，难以直观地洞察样本之间的内在差异与联系。

此时，主成分分析（PCA，principal component analysis）便如同一座明亮的灯塔，为我们在数据的迷雾中指引方向。PCA 是一种经典的降维方法，其核心理念在于从众多的原始特征维度中，提炼出少数几个关键的维度，即所谓的“主成分”。这些主成分并非简单地从原始特征中挑选而来，而是通过对原始数据进行复杂的线性变换，重新构建出一组新的、相互独立的特征维度。它们能够最大程度地保留原始数据中的信息，并且以一种更加简洁、直观的方式呈现出来。

当我们运用 PCA 对生物医学数据进行降维处理后，原本难以捉摸的高维度数据便被浓缩为几个关键的主成分。我们可以通过可视化等手段，清晰地观察到样本在这些主成分维度上的分布情况，从而直观地发现样本之间最重要的区别。

图形解释:

1、横坐标：第一主成分及贡献率

在 PCA 图形的横坐标轴上，我们迎来了贡献率最高的主成分。这一主成分宛如数据世界中的“领头羊”，其贡献率是衡量它在整体数据方差中所占比例的关键指标。贡献率越高，意味着该主成分在描述总体数据特征时所承载的权重越大，它能够最大程度地反映数据中的主要变异趋势。例如，在基因表达数据中，第一主成分可能捕捉到了与细胞周期调控或特定疾病发生发展最为密切相关的基因表达变化模式，从而为我们提供了一个从宏观角度审视数据差异的重要视角。

2、纵坐标：第二主成分及贡献率

与第一主成分携手构建起二维主成分空间的纵坐标轴，代表着贡献率次高的第二主成分。虽然它的贡献率略低于第一主成分，但它同样在数据的降维表达中扮演着不可或缺的角色。第二主成分捕捉的是在第一主成分之外，数据中最重要的另一部分变异信息。它与第一主成分相互独立，共同为我们提供了一个更全面、更立体的视角来观察样本之间的差异。通过分析第二主成分的贡献率，我们可以进一步了解数据中次要变异趋势的强度，以及它与主要变异趋势之间的相对关系，从而更深入地挖掘数据背后的生物学机制。

3、样本：主成分空间中的位置与差异

每个样本在主成分空间中的位置，就如同它们在数据宇宙中的独特坐标。样本之间的距离则成为衡量它们在主成分空间中差异大小的直观尺度。当样本之间紧密聚集在一起时，这表明它们在主成分所代表的关键特征维度上具有高度的相似性，差异性较小。这种聚集现象可能暗示着这些样本在生物学上属于同一类别，例如，它们可能来自同一疾病阶段的患者群体，或者具有相似的基因表达调控模式。相反，如果样本之间的距离相对较远，那么它们在主成分空间中的差异性就越大，这可能意味着它们在生物学功能、疾病状态或其他关键特征上存在显著的差异。通过观察样本在主成分空间中的分布情况，我们可以快速地识别出数据中的聚类结构和异常样本，为进一步的生物学分析提供重要的线索。

4、分组信息：实验设计的可视化呈现

为了更好地满足实验需求和研究目的，我们常常会根据特定的实验条件或生物学特征对样本进行分组。在 PCA 图形中，这些不同的样本分组会通过不同的颜色加以区分，使得不同组别之间的差异一目了然。这种颜色编码的方式不仅方便我们直观地比较不同实验组或疾病状态下的样本分布情况，还能够帮助我们快速识别出分组之间是否存在明显的分离趋势。例如，在药物治疗实验中，通过观察不同治疗组和对照组样本在主成分空间中的颜色分布，我们可以初步判断药物是否对样本的基因表达模式产生了显著的影响，以及这种影响是否具有组间特异性。分组信息的可视化呈现为我们提供了一个从宏观层面评估实验设计效果和生物学假设合理性的有力工具。

5、样本分布的置信区间：数据稳定性的量化表达

在 PCA 图形中，圆圈的出现为我们带来了样本分布的置信区间信息。这些圆圈通常表示 95% 置信区间内的样本分组，它们为我们提供了一种量化评估样本分布稳定性和离散程度的方法。圆圈的大小反映了样本点在该分组内的分布集中程度。一个较小的圆圈意味着样本点在主成分空间中较为紧密地聚集在一起，这表明该分组内的样本在关键特征维度上具有较高的相似性和稳定性，受到随机变异的影响较小。相反，较大的圆圈则暗示着样本点分布较为分散，可能存在较大的个体差异或受到更多的随机因素干扰。而圆圈之间的距离则进一步体现了样本组之间的离散程度。当圆圈之间相互分离且距离较远时，这表明不同分组之间的样本在主成分空间中具有明显的差异，这种差异可能具有重要的生物学意义，例如，不同疾病亚型之间的基因表达差异。通过分析样本分布的置信区间，我们不仅能够评估数据的可靠性和稳定性，还能够为后续的统计分析和生物学解释提供更加坚实的基础。

一、如何理解PCA分析

PCA 分析并非简单地从现有的特征中直接挑选最重要的主成分，而是通过一系列精妙的数学变换来实现这一目标。这一过程的核心在于对原始数据进行线性变换，将原始的特征空间转换为一个新的特征空间，使得在这个新的空间中，数据的方差能够沿着新的坐标轴（即主成分）被最大化地展开。通过这种方式，PCA 能够挖掘出数据中最主要的变异趋势，从而提取出最重要的主成分，为我们提供一个更加简洁、高效的数据表示方式。

以二维数据为例的直观理解

为了更直观地理解这一过程，我们可以借助一个简单的二维数据示例。假设我们有一组数据，包括 3 个男性和 3 个女性的身高和体重数据，如下表所示：

我们想要在图上展示,可以通过身高体重的二维散点图进行展示,如A图。同样,我们用PCA的方法处理这数据,得到B图:

当我们对比散点图与 PCA 图时，会发现它们本质上是对数据进行了不同的空间变换，但数据点之间的相对空间位置保持一致。在 PCA 图中，大部分的差异被集中体现在第一个主成分（PC1）上，其贡献度高达 99.6%，而第二个主成分（PC2）的贡献度仅为 0.4%。

若将生物学中的身高、体重等常见指标替换为每个基因的表达量，这就构成了我们常见的生物学数据。从理论角度而言，在 n 维空间中，最多可以提取出 n 个主成分。然而，由于人类的视觉感知能力所限，最多只能直观地观察到三维空间中的数据。因此，在实际应用中，PCA 分析通常只展示二维或三维的结果，以便我们更直观地理解数据的结构和差异。

二、PCA计算过程原理

根据我们对PCA的初步理解，可以知道PCA分析的计算过程实际上是一个数据变换和投影到各个维度（主成分）的过程。这一过程可以分为五个步骤：

1. 数据中心化：归一化每个维度的数值（均值归零）

首先，我们需要对数据进行中心化处理，即从每个维度的数值中减去其均值，使数据的均值归零：

2. 各维度的相关性计算：协方差矩阵揭示特征关系

接下来，我们计算各维度之间的相关性，这通常通过协方差矩阵来实现。协方差矩阵的元素反映了变量之间的线性关系：

3. 协方差矩阵特征值分解与排序：寻找关键方向

然后，我们对协方差矩阵进行特征值分解，并按大小进行排序：

其中：

λ 是特征值，表示该方向上的数据方差；

u 是特征向量，表示降维时的投影方向。

4. 选择主成分并投影：构建投影矩阵

选择前 m 个最大特征值对应的向量，组成降维后的新特征空间，形成投影矩阵：

5. 将原始数据投影到新空间：实现降维

最后，将原始数据通过投影矩阵 W 投影到新空间，实现数据的降维：

通过这五个步骤，PCA分析能够从复杂的高维度数据中提取出关键的变异信息，将其转化为直观、易于理解的低维度表示。

三、绘图所需要数据

为了进行有效的 PCA 分析并绘制出有意义的图形，我们需要准备以下关键数据：

1. 样本-基因表达量定量矩阵

样本-基因表达量定量矩阵是进行 PCA 分析的基础数据。这种矩阵通常来源于高通量测序（如 RNA-seq）或微阵列实验的定量结果。矩阵包含两个维度的数据，其中：

每一行代表一个基因；

每一列代表一个样本；

数值表示该基因在对应样本中的表达量。

为了确保 PCA 分析的准确性和可靠性，所需的数据应经过适当的预处理，包括但不限于标准化、归一化等步骤。此外，数据中不应包含缺失值，因为缺失值可能会影响协方差矩阵的计算，从而影响 PCA 结果的准确性。

2. 分组信息

分组信息是进行 PCA 分析时用于区分不同样本组的重要数据。这种信息通常以表格形式提供，其中：

第一列是样本名，用于唯一标识每个样本；

第二列是分组名，用于指示每个样本所属的实验组或条件。

分组信息在 PCA 分析中至关重要，因为它允许我们在图形中通过颜色、形状或其他视觉标记来区分不同组别的样本。这有助于我们直观地观察不同组别之间的差异，以及它们在主成分空间中的分布情况。

四、如何绘制PCA图形

不需要编写任何代码，只需按照以下步骤操作：

上传数据：首先，将准备好的样本-基因表达量定量矩阵和分组信息上传到 云平台。确保数据格式正确，且经过适当的预处理。

选择分析类型：在平台上选择 PCA 分析选项。平台会自动识别上传的数据类型，并提供相应的分析参数设置选项。

参数设置：根据研究需要，设置 PCA 分析的相关参数，如主成分的数量、数据标准化方法等。平台通常会提供一些默认设置，用户可以根据需要进行调整。

运行分析：设置好参数后，点击运行按钮，平台会自动执行 PCA 分析，并生成相应的图形。

结果解读：分析完成后，平台会展示 PCA 图形，并提供一些基本的统计信息和解释。用户可以根据图形和信息，对结果进行解读和分析。

免责声明：本号对所有原创、转载文章陈述与观点均保持中立，内容仅供读者学习和交流。文章、图片等版权归原作者享有，如有侵权，请留言联系更正或删除。

如有实验技术问

主营项目

1. 动物实验

动物饲养、疾病造模、行为学检测、心功能、无创血压、血常规、全自动生化检测等

2. 细胞实验

CCK8/MTT、原代细胞分离、流式细胞实验、细胞划痕、侵袭、迁移、EDU染色、转染、稳定株

3. 分子生物学

PCR检测、荧光定量PCR、绝对定量PCR、端粒酶长度、pull down、双荧光素酶、SSR、SNP检测等

4. 蛋白实验

WB、Co-IP、酵母双杂

5. 病理实验

HE染色、免疫组学、电镜

6. 生理生化实验

肝肾功能、抗氧化、免疫反应等生理免疫指标;动植物营养指标、微量元素、重金属、酶活等。

7. 多组学实验

基因组、转录调控、蛋白组、代谢组、微生物多样性、宏基因组、生信分析

8. 整体课题实验

方案设计、整体实验交付、标书写作、论文润色、协助投稿

联系我们

康旭禾生物提供包括动物实验、细胞实验、分子实验、病理实验、流式检测实验及论文翻译、润色、投稿辅助等相关的各项服务。

联系方式：15579126092      

公司官网：http://consurebio.com/

公司地址：江西省南昌市南昌县小蓝VR产业基地D座2楼