相信大家在做微生物多樣性研究時(shí)經(jīng)常聽到PCA分析、PCoA分析，NMDS分析，CCA分析，RDA分析。它們對(duì)物種（或基因、功能）的分析具有重要作用，因而頻頻出現(xiàn)在16S測序及宏基因組測序中。那么你知道這些分析之前到底有什么區(qū)別嗎？在什么情況下應(yīng)該用什么分析呢？今天小編就給大家講講其中的奧秘。首先，以上分析本質(zhì)上都屬于排序分析（Ordination analysis）。排序(ordination)的過程就是在一個(gè)可視化的低維空間(通常是二維)重新排列這些樣方,使得樣方之間的距離最大程度地反映出平面散點(diǎn)圖內(nèi)樣方之間的關(guān)系信息。常用的排序方法如下：

????1、只使用物種組成數(shù)據(jù)的排序稱作?非限制性排序(unconstrained ordination)(1)主成分分析(principalcomponents analysis,PCA)(2)對(duì)應(yīng)分析(correspondenceanalysis, CA)(3)去趨勢(shì)對(duì)應(yīng)分析(Detrended correspondence analysis, DCA)(3)主坐標(biāo)分析(principal coordinate analysis, PCoA)(4)非度量多維尺度分析(non-metric multi-dimensional scaling,?NMDS)2、同時(shí)使用物種和環(huán)境因子組成數(shù)據(jù)的排序叫作?限制性排序(constrainedordination)(1)冗余分析(redundancyanalysis,RDA)(2)典范對(duì)應(yīng)分析(canonicalcorrespondence analysis, CCA)讓我們來仔細(xì)看看PCA與PCoA分析：在非限制性排序中，16S和宏基因組數(shù)據(jù)分析通常用到的是PCA分析和PCoA分析。兩者的區(qū)別在于：PCA分析是基于原始的物種組成矩陣所做的排序分析，而PCoA分析則是基于由物種組成計(jì)算得到的距離矩陣得出的。在PCoA分析中，計(jì)算距離矩陣的方法有很多種，例如圖1所示的Euclidean, Bray-Curtis, and Jaccard，以及圖2顯示的(un)weighted Unifrac (利用各樣品序列間的進(jìn)化信息來計(jì)算樣品間距離，其中weighted考慮物種的豐度，unweighted沒有對(duì)物種豐度進(jìn)行加權(quán)處理)。

?

圖1 Euclidean, Bray-Curtis, and JaccardPcoA圖

?

圖2 (a) weighted Unifrac PCoA分析

PCoA1維度將根內(nèi)樣品與根周邊和土壤樣品很好的分開；而PCoA2能夠?qū)⒉煌寥赖臉悠泛芎玫膮^(qū)分開來；(b)用pairwise-Bray-Curtis相似度對(duì)樣品進(jìn)行聚類。再來看看CCA與RDA分析：限制性排序主要有CCA分析和RDA分析。RDA基于線性模型，CCA則是基于單峰模型。一般我們會(huì)選擇CCA來做直接梯度分析。但是，如果CCA排序的效果不太好，就可以考慮換做用RDA分析。RDA或CCA選擇原則：先用species-sample資料做DCA分析，看分析結(jié)果中Lengths of gradient?的第一軸的大小，如果大于4.0，就應(yīng)選CCA；如果在3.0-4.0之間，選RDA和CCA均可；如果小于3.0, RDA的結(jié)果要好于CCA。圖3是CCA分析圖，圖中箭頭代表不同的環(huán)境因子，射線越長表示該環(huán)境因子影響越大。環(huán)境因子之間的夾角為銳角時(shí)表示兩個(gè)環(huán)境因子之間呈正相關(guān)關(guān)系，鈍角時(shí)呈負(fù)相關(guān)關(guān)系。

?

圖3 CCA分析圖

?讀完這些，您理解了PCA、PCoA、NMDS、CCA、RDA之間的區(qū)別和聯(lián)系嗎？是不是覺得很漲姿勢(shì)呢？

最后，附上一張文獻(xiàn)里的圖PCoA?（本圖在QIIME中完成的）

“Bacterial community structure and variation in a full-scale seawaterdesalination plant for drinking water production”

?

總結(jié)

以上是生活随笔為你收集整理的统计分析/PCA，PCoA，NMDS等的区别的全部內(nèi)容，希望文章能夠幫你解決所遇到的問題。

如果覺得生活随笔網(wǎng)站內(nèi)容還不錯(cuò)，歡迎將生活随笔推薦給好友。