推荐公众号奥智生物，分享前沿组学技术、实用生信技能、数据挖掘思路
主成分分析（Principal Component Analysis，PCA）是因子分析中一种常用方法，可用少量主成分压缩多维数据信息，常用于样本分群、批次效应评估，挖掘样本间差异，辅助聚类、分组验证，常用于转录组、宏基因组等测序数据分析。
那么，如何能轻松完成主成分分析？这里分享一种简单的方法！
数据的整理很简单，如下图，表格的第1列为样本id，表格的第2列为样本分组名，之后的列对应不同基因对应的表达量。
打开软件后，通过双击窗口灰色区域或点Prism(棱镜)的小三角，新建工程文件，在弹出的向导页面表格类型选 Multiple variables，Data table 选 enter or import data into a new table，然后点 Create 按钮，如下图。
接下来，将准备好的数据从Excel复制粘贴到Prism的表格中，表格的名字默认为Data 1，如下图。
接着点 Analysis 选项下的 PCA 分析按钮，如下图箭头所示，在弹出的参数设置窗口，首先在 Data 选项页面进行变量数据选择，这里主要对所有的列（基因）进行降维。
在 Options 选项，可设置数据的标准化方法和主成分选择方法，这里标准化方法默认为 Z-score 标准化；为了满足最终的 PCA 散点图绘制，我这里设置选择特征值最大的两个主成分。
在 Output 选项，可以设置分析结果中生成那些数据。比较重要的是设置 PCA 散点图的分组信息，这里将点的颜色和分组信息（B列）建立映射关系，如下图。
在 Graph 选项可设置生成图表的类型，这里选择了 Score plot、Biplot 和 Scree plot (碎石图)，如下图，然后点 OK 按钮。
分析结果表格如下，我们可以看到PC1和PC2的方差贡献率分别为70.54% 和7.81%，降维效果还是很好的。
如果对具体的PC scores（PCA散点图绘图数据）、特征值、特征向量等感兴趣，也可查看其他子表格，如下图。
在左侧导航栏中Graphs选项下，点击PC scores:PCA of Data1，即可看到初始的PCA 散点图绘制结果，见下图。
双击坐标轴，在 Format Axes 窗口可设置图表的比例，这里在 Frame and Origin选项下将 Shape 由默认的 Wide 改为 Square（方形），如下图。
还可在X axis 和Left Y axis选项下调整坐标轴数据范围、刻度长短和辅助线样式，如下图。
在右侧的图形属性快速调整窗口，可对散点（Symbols）大小、描边和的配色方案进行快速调整，如下图。
当然，我们也可以反复调整坐标轴的数值范围，使图表看起来不那么“封闭死板”，删掉图例标题，并尝试其他的配色方案，如下图。
点击坐标轴标题，我们可以手工修改坐标轴标题内容，比如我这里加入了PC1和PC2的方差贡献率。在右侧的属性调整窗口，可对坐标轴刻度标签和标题、图例文本等字体样式进行调整，这里取消了加粗样式。
调整满意后，通过File菜单下的Export命令导出所需格式的图片。最终的主成分散点图如下：
基迪奥生物不仅提供转录、翻译、蛋白、代谢、表观、微生物等常规组学服务，还拥有空间组学和单细胞等多种前沿技术，以及行业内最专业的开发团队和长达十几年的成果积累，始终专注于组学测序和生信分析，为不同领域研究人员提供最好的组学研究策略。欢迎有项目意向的老师扫描下方二维码填写信息，基迪奥为您定制个性化项目执行方案。
*未经许可，不得以任何方式复制或抄袭本篇文章之部分或全部内容。版权所有，侵权必究。
SCIPainter