前言

NGS系列文章包括NGS基礎(chǔ)、轉(zhuǎn)錄組分析?（Nature重磅綜述|關(guān)于RNA-seq你想知道的全在這）、ChIP-seq分析?（ChIP-seq基本分析流程）、單細(xì)胞測(cè)序分析?(重磅綜述：三萬(wàn)字長(zhǎng)文讀懂單細(xì)胞RNA測(cè)序分析的最佳實(shí)踐教程 （原理、代碼和評(píng)述）)、DNA甲基化分析、重測(cè)序分析、GEO數(shù)據(jù)挖掘（典型醫(yī)學(xué)設(shè)計(jì)實(shí)驗(yàn)GEO數(shù)據(jù)分析 (step-by-step) - Limma差異分析、火山圖、功能富集）等內(nèi)容。

主成分分析簡(jiǎn)介

主成分分析 (PCA, principal component analysis)是一種數(shù)學(xué)降維方法, 利用正交變換 (orthogonal transformation)把一系列可能線性相關(guān)的變量轉(zhuǎn)換為一組線性不相關(guān)的新變量，也稱(chēng)為主成分，從而利用新變量在更小的維度下展示數(shù)據(jù)的特征。

主成分是原有變量的線性組合，其數(shù)目不多于原始變量。組合之后，相當(dāng)于我們獲得了一批新的觀測(cè)數(shù)據(jù)，這些數(shù)據(jù)的含義不同于原有數(shù)據(jù)，但包含了之前數(shù)據(jù)的大部分特征，并且有著較低的維度，便于進(jìn)一步的分析。

在空間上，PCA可以理解為把原始數(shù)據(jù)投射到一個(gè)新的坐標(biāo)系統(tǒng)，第一主成分為第一坐標(biāo)軸，它的含義代表了原始數(shù)據(jù)中多個(gè)變量經(jīng)過(guò)某種變換得到的新變量的變化區(qū)間；第二成分為第二坐標(biāo)軸，代表了原始數(shù)據(jù)中多個(gè)變量經(jīng)過(guò)某種變換得到的第二個(gè)新變量的變化區(qū)間。這樣我們把利用原始數(shù)據(jù)解釋樣品的差異轉(zhuǎn)變?yōu)槔眯伦兞拷忉寴悠返牟町悺?br />

這種投射方式會(huì)有很多，為了最大限度保留對(duì)原始數(shù)據(jù)的解釋，一般會(huì)用最大方差理論或最小損失理論，使得第一主成分有著最大的方差或變異數(shù) (就是說(shuō)其能盡量多的解釋原始數(shù)據(jù)的差異)；隨后的每一個(gè)主成分都與前面的主成分正交，且有著僅次于前一主成分的最大方差 (正交簡(jiǎn)單的理解就是兩個(gè)主成分空間夾角為90°，兩者之間無(wú)線性關(guān)聯(lián)，從而完成去冗余操作)。

主成分分析的意義

簡(jiǎn)化運(yùn)算。

在問(wèn)題研究中，為了全面系統(tǒng)地分析問(wèn)題，我們通常會(huì)收集眾多的影響因素也就是眾多的變量。這樣會(huì)使得研究更豐富，通常也會(huì)帶來(lái)較多的冗余數(shù)據(jù)和復(fù)雜的計(jì)算量。

比如我們我們測(cè)序了100種樣品的基因表達(dá)譜借以通過(guò)分子表達(dá)水平的差異對(duì)這100種樣品進(jìn)行分類(lèi)。在這個(gè)問(wèn)題中，研究的變量就是不同的基因。每個(gè)基因的表達(dá)都可以在一定程度上反應(yīng)樣品之間的差異，但某些基因之間卻有著調(diào)控、協(xié)同或拮抗的關(guān)系，表現(xiàn)為它們的表達(dá)值存在一些相關(guān)性，這就造成了統(tǒng)計(jì)數(shù)據(jù)所反映的信息存在一定程度的冗余。另外假如某些基因如持家基因在所有樣本中表達(dá)都一樣，它們對(duì)于解釋樣本的差異也沒(méi)有意義。這么多的變量在后續(xù)統(tǒng)計(jì)分析中會(huì)增大運(yùn)算量和計(jì)算復(fù)雜度，應(yīng)用PCA就可以在盡量多的保持變量所包含的信息又能維持盡量少的變量數(shù)目，幫助簡(jiǎn)化運(yùn)算和結(jié)果解釋。

去除數(shù)據(jù)噪音。

比如說(shuō)我們?cè)跇悠返闹苽溥^(guò)程中，由于不完全一致的操作，導(dǎo)致樣品的狀態(tài)有細(xì)微的改變，從而造成一些持家基因也發(fā)生了相應(yīng)的變化，但變化幅度遠(yuǎn)小于核心基因 (一般認(rèn)為噪音的方差小于信息的方差）。而PCA在降維的過(guò)程中濾去了這些變化幅度較小的噪音變化，增大了數(shù)據(jù)的信噪比。

利用散點(diǎn)圖實(shí)現(xiàn)多維數(shù)據(jù)可視化。

在上面的表達(dá)譜分析中，假如我們有1個(gè)基因，可以在線性層面對(duì)樣本進(jìn)行分類(lèi)；如果我們有2個(gè)基因，可以在一個(gè)平面對(duì)樣本進(jìn)行分類(lèi)；如果我們有3個(gè)基因，可以在一個(gè)立體空間對(duì)樣本進(jìn)行分類(lèi)；如果有更多的基因，比如說(shuō)n個(gè)，那么每個(gè)樣品就是n維空間的一個(gè)點(diǎn)，則很難在圖形上展示樣品的分類(lèi)關(guān)系。利用PCA分析，我們可以選取貢獻(xiàn)最大的2個(gè)或3個(gè)主成分作為數(shù)據(jù)代表用以可視化。這比直接選取三個(gè)表達(dá)變化最大的基因更能反映樣品之間的差異。（利用Pearson相關(guān)系數(shù)對(duì)樣品進(jìn)行聚類(lèi)在樣品數(shù)目比較少時(shí)是一個(gè)解決辦法）

發(fā)現(xiàn)隱性相關(guān)變量。

我們?cè)诤喜⑷哂嘣甲兞康玫街鞒煞诌^(guò)程中，會(huì)發(fā)現(xiàn)某些原始變量對(duì)同一主成分有著相似的貢獻(xiàn)，也就是說(shuō)這些變量之間存在著某種相關(guān)性，為相關(guān)變量。同時(shí)也可以獲得這些變量對(duì)主成分的貢獻(xiàn)程度。對(duì)基因表達(dá)數(shù)據(jù)可以理解為發(fā)現(xiàn)了存在協(xié)同或拮抗關(guān)系的基因。

因?yàn)樵氖怯肦markdown轉(zhuǎn)碼而來(lái)，格式顯示不規(guī)范，請(qǐng)移步原文鏈接查看。

你可能還想看

• PCA主成分分析實(shí)戰(zhàn)和可視化 | 附R代碼和測(cè)試數(shù)據(jù)
  

• 用了這么多年的PCA可視化竟然是錯(cuò)的！！！
  

• 還在用PCA降維？快學(xué)學(xué)大牛最?lèi)?ài)的t-SNE算法吧（附Python/R代碼）
  

• WGCNA分析，簡(jiǎn)單全面的最新教程?(這里面也有PCA的妙用）

高顏值免費(fèi)在線繪圖

往期精品(點(diǎn)擊圖片直達(dá)文字對(duì)應(yīng)教程)

后臺(tái)回復(fù)“生信寶典福利第一波”或點(diǎn)擊閱讀原文獲取教程合集

總結(jié)

以上是生活随笔為你收集整理的一文看懂PCA主成分分析的全部?jī)?nèi)容，希望文章能夠幫你解決所遇到的問(wèn)題。

如果覺(jué)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。