从这节开始，就逐渐涉及转录组的基本可视化了，我们的可视化要做到CNS级别的图，争取做好分析，一步到位，让您有真正的收获！
PCA（主成分分析），具体的原理就不说了，自行百度。简单理解，PCA就是降维，将多维数据在2为平面理解和可视化。在转录组中的作用则是可以看出样本组间是否有差异，或者样本的一致性。组间差异大则两组分的开，反之则是差别不是很大。
示例数据用上节下载的GSE125424芯片数据表达矩阵，读入数据，并对数据进行初步的处理。
setwd("F:/生物信息学")
A <- read.table("GSE125424_series_matrix.txt",header = T,
row.names = 1,sep = "\t",comment.char = "!")#这里注意，下载的芯片数据开有结尾包含有注释行，都是以！开头，所以要去除这些行
data <- t(A)#PCA分析需要将表达矩阵转置
图片
PCA分析很简单，只需要一个函数就可以搞定。prcomp（）就可以，然后导出分析结果。
###PCA分析
data.pca <- prcomp(data, scale. = T) #这是后续作图的文件
#输出特征向量
write.table(data.pca$rotation, file="PC.xls", quote=F, sep = "\t")
#输出新表
write.table(predict(data.pca), file="newTab.xls", quote=F, sep = "\t")
#输出PC比重
pca.sum=summary(data.pca)
write.table(pca.sum$importance, file="importance.xls", quote=F, sep = "\t")
接着就是PCA分析结果的可视化了，这里我们提供了两种方法。
1、factoextra包
加载包：
library(factoextra)
设置分组：
group=c(rep("Control",3),rep("Test",3))
可视化，由于factoextra是ggplot2的，所以在画完图后可以用ggplot2的方式进行修饰。
fviz_pca_ind(data.pca,
col.ind=group,
mean.point=F,
addEllipses = T,
legend.title="Groups",
ellipse.type="confidence",
ellipse.level=0.9,
palette = c("#CC3333", "#339999"))+ #Cell配色哦
theme(panel.border = element_rect(fill=NA,color="black", size=1, linetype="solid"))#加个边框
图片
结果很完美，非常满意！
2、ggbiplot包
看这包的名字就知道和ggplot2脱不了干系，先安装：
library(devtools)
install_github("vqv/ggbiplot")
library(ggbiplot)
画图，画图数据和上一个一样：
ggbiplot(data.pca,obs.scale = 1,var.scale = 1,
groups = group,ellipse = T,var.axes = F) +
scale_color_brewer(palette = "Set1") +
theme(legend.direction = 'horizontal',legend.position = 'top') +
geom_vline(xintercept = c(0), linetype = 6,color = "black") +
geom_hline(yintercept = c(0),linetype = 6,color = "black") +
theme_bw() + theme(panel.grid = element_line(colour = NA))
图片
同样看起来非常完美，赏心悦目有没有！
PCA分析和作图就是这么简单，你学会了吗？
这里不得不提一个问题，PCA分析适用于小样本的分析，对于大样本，可能效果不是很明显，所以需要其他的降维方法，那就是下节的内容---UMAP分析及其可视化！
请多多支持，点赞+关注！更多精彩等着你！
网友评论