当我们得到很多种报告时，它们可能都包括PCA图、二维坐标或三维坐标散点图，图中的点或聚集或分散，可能用不同的颜色标记。看起来像是夜空中最亮的烟花，第一眼可能真的很难琢磨。什么是PCA？为什么它有如此重要的地位？从PCA结果中我们可以看出什么信息？
PCA主成分分析的全称，也就是主成分分析，听起来很简单，让人耳目一新，但是这个主成分的三个字里却有玄机。简单来说，主成分分析(PCA)就是通过正交变换将一组变量转化为另一组变量，从而达到数据降维目的的分析方法。这组转换后得到的变量就是我们所说的主成分。
降维？健康是什么？降维打击？可能概念比较直接抽象，先举个栗子。例如，我们有一组通过重测序获得的变异数据，有n个突变位点，或者一组转录表达数据，有n个转录表达信息。那么我们就相当于拥有了一组N个变量，这个变量可能很大，可能随便几万甚至上亿。直接比较两个或两个以上的数据显然是非常困难的。并且通过主成分分析，将这样一组包含n个变量的数据转换成一组包含r个变量的数据，其中r
你在这里可能会问，这个过程我理解，但是为什么数据转换之后，更多的变量变成更少的变量？不会丢失很多信息吗？如果你考虑了这个问题，那么恭喜你，说明你对主成分分析有了深入的思考。
在我们得到的第一组变量中，变量并不是完全相互独立的。比如我们的一个基因座发生突变，那么几个连锁的基因座也会大概率发生突变；或者一个基因的表达发生了变化，同一途径的其他基因的表达也会大概率发生变化，即变量之间存在相关性。极端点，假设两个位点完全连锁，那么我们去掉一个突变的所有信息，不会影响总的信息量。主成分分析就是基于这样一种思想，根据变量的相关性对变量进行分解、合并和降维，类似于从N维空间到R维空间的投影。如果你对具体的计算方法感兴趣，有很多相关的资料可以参考，当然也有很多工具可以方便我们直接对数据进行主成分分析。
那么，PCA图在我们的报告中说明了什么问题呢？
在分析的过程中，PCA可以让我们直观的看到样本之间的相似性。例如，在PCA散点图中，几个样本的点聚集在一起，这意味着这些样本之间的相似度非常高；相反，如果几个样本的点非常分散，那么这些样本之间的相似度就低。比如下图，几组样本对应的散点在组内呈现相互聚集，说明组内重复性好，样本数据非常相似，组间的区分度好。有时为了说明一组样本的相似性，会用一个椭圆来覆盖同一组样本对应的所有散乱点。
英格尔，聚力价值信任
- 标准规范
|
- 合作伙伴
|
- 仪器设备
|
- 集团优势
恪守全球标准规范
大型企业、政府机构、高效研发机构
一线品牌（沃特世、赛默飞、安捷伦、戴安等）高配实验室设备
全方位的服务内容，多领域的服务能力，规模化的服务平台、高品质的服务质量
上一篇：
质检报告 下一篇：
纺织品第三方检测机构 
