绘图导航
  • 基础绘图
  • 高级绘图
  • 微生物
  • 转录组
操作说明
三维PCA
分享到:
三维PCA
操作说明

a)登录TUTU云平台(https://www.cloudtutu.com/#/login),点击登录;

b)默认账号密码已填好,输入验证码即可登录;

c)找到“三维PCA”进入作图界面。


1.说明

主成分分析算法(PCA)是最常用的线性降维方法。PCA降维为了在尽量保证“信息量不丢失”的情况下,对原始特征进行降维,也就是尽可能将原始特征往具有最大投影信息量的维度上进行投影。将原特征投影到这些维度上,使降维后信息量损失最小。PCA降维结果的可视化不仅可以用二维坐标表示,还可用三维坐标表示,即三维PCA图。


2.上传文件

※目前平台仅支持.txt(制表符分隔)文本文件或者.csv文件的文件上传。(平台可对不规范的数据格式进行部分处理,但还是请您尽量按照示例数据的格式调整数据,以便机器可以识别)

  a) 准备一个数据矩阵(如微生物物种丰度表、基因表达量矩阵、代谢物含量表,也可以是测量数据,例如身高、体重、表型等);

  b) 表格需要带表头和列名,每一列为样本名,每一行为各种指标数据名,例如OTU,基因ID、身高、代谢物名称等。


3.参数设置

3.1在界面右侧编辑分组信息:需要对所有样品进行分组,本网站支持在线修改分组名称的功能。

     有在线输入(方式一)和手动粘贴(方式二)两种方式。(绘图前必须检查分组名称)

3.2 方法选择:本平台提供hellinger、normalize、standardize、total、max、freq、range等方法

a) hellinger,hellinger转化,就是总和标准化数据的平方根(default MARGIN=1),hellinger转化后的数据使用欧氏距离函数计算将得到hellinger距离矩阵。

b) normalize,模标准化,将数据除以每行或者每列的平方和的平方根(default MARGIN=1),模标准化后每行、列的平方和为1(向量的模为1),也即在笛卡尔坐标系中到原点的欧氏距离为1,样品分布在一个圆弧上,彼此之间的距离为弦长,因此也称为弦转化。在基于欧氏距离的PCA、RDA中分析群落数据可以将每个样方弦转化可以弥补欧氏距离的缺陷。弦转化后的数据使用欧氏距离函数计算将得到弦距离矩阵。

c) standardize,z-score标准化,最常用的标准化方法之一,将数据减去均值比上标准差(default MARGIN=2),z-score标准化后数据均值为0,方差为1,服从正态总体的数据标准化后服从标准正态分布。z-score标准化可以去除不同环境因子量纲的影响。

d) total,总和标准化,将数据除以该行或者列的总和,也即求相对丰度(default MARGIN=1),总和标准化后数据全部位于0到1之间。

e) max,最大值标准化,将数据除以该行或者列的最大值(defaultMARGIN=2)。若数据非负,最大值标准化后数据全部位于0到1之间。

f) freq,数据矩阵除以行或列的最大值,并乘以非零值的个数

g) range,Min-max标准化,将数据减去该行或者列的最小值,并比上最大值与最小值之差(defaultMARGIN=2),Min-max标准化后的数据全部位于0到1之间。

3.3 颜色选择:按需求自行选择

3.4 元素的大小:显示元素的圆点图形的大小


4.网页预览

点击“运行”开始作图,出图后可选择“网页预览”的方式进行在线查看。预览小工具使用方法如下:


5.下载文件

图片确认无误后可点击“下载”保存压缩包查看网页版文件(网页版也可以调整以上细节)。


6.作图后处理

TUTU云平台提供的PDF格式的矢量图,可通过矢量图处理软件进行编辑和调整(如:文字字体,文字大小,图片分辨率等)。图形处理软件和使用方法可扫描文后的二维码添加小编获取。


7.写作建议

Spearman/Pearson correlation by xxx abundance. Only significant values (p < 0.05/0.01 after FDR adjustment) are shown. Orange and blue colors (替换颜色) represent significant negative correlations and positive correlations. Darker color represents stronger correlations










推荐使用谷歌浏览器点击下载