亚洲精品日韩激情欧美_密室大逃脱6季免费观看_亚洲欧美综合一区二区在线_热国产热综合_内射巨臀欧美在线视频_四虎音影

　　當我們得到很多種報告時，它們可能都包括PCA圖、二維坐標或三維坐標散點圖，圖中的點或聚集或分散，可能用不同的顏色標記。看起來像是夜空中最亮的煙花，第一眼可能真的很難琢磨。什么是PCA？為什么它有如此重要的地位？從PCA結果中我們可以看出什么信息？

　　PCA主成分分析的全稱，也就是主成分分析，聽起來很簡單，讓人耳目一新，但是這個主成分的三個字里卻有玄機。簡單來說，主成分分析(PCA)就是通過正交變換將一組變量轉化為另一組變量，從而達到數據降維目的的分析方法。這組轉換后得到的變量就是我們所說的主成分。

　　降維？健康是什么？降維打擊？可能概念比較直接抽象，先舉個栗子。例如，我們有一組通過重測序獲得的變異數據，有n個突變位點，或者一組轉錄表達數據，有n個轉錄表達信息。那么我們就相當于擁有了一組N個變量，這個變量可能很大，可能隨便幾萬甚至上億。直接比較兩個或兩個以上的數據顯然是非常困難的。并且通過主成分分析，將這樣一組包含n個變量的數據轉換成一組包含r個變量的數據，其中r

　　你在這里可能會問，這個過程我理解，但是為什么數據轉換之后，更多的變量變成更少的變量？不會丟失很多信息嗎？如果你考慮了這個問題，那么恭喜你，說明你對主成分分析有了深入的思考。

　　在我們得到的第一組變量中，變量并不是完全相互獨立的。比如我們的一個基因座發生突變，那么幾個連鎖的基因座也會大概率發生突變；或者一個基因的表達發生了變化，同一途徑的其他基因的表達也會大概率發生變化，即變量之間存在相關性。極端點，假設兩個位點完全連鎖，那么我們去掉一個突變的所有信息，不會影響總的信息量。主成分分析就是基于這樣一種思想，根據變量的相關性對變量進行分解、合并和降維，類似于從N維空間到R維空間的投影。如果你對具體的計算方法感興趣，有很多相關的資料可以參考，當然也有很多工具可以方便我們直接對數據進行主成分分析。

　　那么，PCA圖在我們的報告中說明了什么問題呢？

　　在分析的過程中，PCA可以讓我們直觀的看到樣本之間的相似性。例如，在PCA散點圖中，幾個樣本的點聚集在一起，這意味著這些樣本之間的相似度非常高；相反，如果幾個樣本的點非常分散，那么這些樣本之間的相似度就低。比如下圖，幾組樣本對應的散點在組內呈現相互聚集，說明組內重復性好，樣本數據非常相似，組間的區分度好。有時為了說明一組樣本的相似性，會用一個橢圓來覆蓋同一組樣本對應的所有散亂點。