PCA、PCoA、NMDS、Anosim学习

最新推荐文章于 2024-08-02 11:22:23 发布
最新推荐文章于 2024-08-02 11:22:23 发布
阅读量1.2w 收藏 42
点赞数 5
CC 4.0 BY-SA版权
分类专栏： 微生物之16S 宏基因组 文章标签： PCA、PCoA、NMDS、Anosim
版权声明：本文为博主原创文章，遵循 CC 4.0 BY-SA 版权协议，转载请附上原文出处链接和本声明。
本文链接：https://blog.youkuaiyun.com/rojyang/article/details/81456895
PCA、PCoA和NMDS是用于揭示样本间关系的排序分析方法，主要处理微生物群落结构的相似性和差异性。PCA通过线性变换和降维保留方差最大化；PCoA基于距离矩阵而非原始数据；NMDS则考虑进化信息。Anosim是一种非参数检验，用于判断样本分组差异是否显著。R值和P值帮助评估差异性和检验可靠性。

摘要生成于 C知道 ，由 DeepSeek-R1 满血版支持， 前往体验 >

PCA，PcoA，NMDS分析都属于排序分析（Ordination analysis）。排序(ordination)的过程就是在一个可视化的低维空间或平面重新排列这些样本,使得样本之间的距离最大程度地反映出平面散点图内样本之间的关系信息（反映样本间菌群结构的相似性和差异性）。 通过比较样本点的距离，比较样本间的差异程度，样本间的距离越近表示样本组成的相似性越高，差异越小。

1、只使用物种组成数据的排序称作非限制性排序(unconstrained ordination)

    (1)主成分分析(principal components analysis,PCA)

    (2)对应分析(correspondence analysis, CA)

    (3)去趋势对应分析(Detrended correspondence analysis, DCA)

    (4)主坐标分析(principal coordinate analysis, PCoA)

    (5)非度量多维尺度分析(non-metric multi-dimensional scaling, NMDS)

2、同时使用物种和环境因子组成数据的排序叫作限制性排序(constrained ordination)

    (1)冗余分析(redundancy analysis,RDA)

    (2)典范对应分析(canonical correspondence analysis, CCA)

PCA（Principal Components Analysis）即主成分分析，也称主分量分析或主成分回归分析法，首先利用线性变换，将数据变换到一个新的坐标系统中；然后再利用降维的思想，使得任何数据投影的第一大方差在第一个坐标(

最低0.47元/天 解锁文章

200万优质内容无限畅学
PCA、PCoA、NMDS、Anosim R绘图
rojyang的博客
08-08 1万+
基于R包 PCA R绘图 vegan ### 输入文件的格式处理 >head(dataT) sp1 sp2 sp3 sp4 ... sample1 相对丰度 sample2 sample3 ... >dataTD=decostand(data,"hell") ## 数据的标准化“采用total标准化以后再取平方根” ...
如何区分PCA PCoA NMDS LDA t-SNE?
泉亚雪狐的博客
08-30 1万+
如何区分PCA PCoA NMDS LDA t-SNE? 简介： 本文介绍PCA PCoA NMDS LDA t-SNE四种降维方法之间的差别，以及应用 一、基本概念 1. PCA PCA（Principal Components Analysis）即主成分分析，也称主分量分析或主成分回归分析法，首先利用线性变换，将数据变换到一个新的坐标系统中；然后再利用降维的思想，使得任何数据投影的第一大方差在...
统计分析/PCA，PCoA，NMDS等的区别
qq_40492170的博客
04-02 2万+
相信大家在做微生物多样性研究时经常听到PCA分析、PCoA分析，NMDS分析，CCA分析，RDA分析。它们对物种（或基因、功能）的分析具有重要作用，因而频频出现在16S测序及宏基因组测序中。那么你知道这些分析之前到底有什么区别吗？在什么情况下应该用什么分析呢？今天小编就给大家讲讲其中的奥秘。首先，以上分析本质上都属于排序分析（Ordination analysis）。排序(ordination)的...
非度量多维标度_16s分析作图之NMDS非度量多维尺度分析
weixin_39844267的博客
12-21 4226
摘要：beta多样性分析网络上已经有很多，大部分出图都是基于R的基础包，很难看，而且很多图形不够完善，没有做方差分析，更没有将其直接输到图上，本文主要做NMDS分析并做一张完善的高质量图片，提取stress值，推荐适合NMDS结果的差异分析并通过命令展示在图形上，最后加上置信区间椭圆。NMDS分析，网络上已近有很多相关教程分享其原理，与其他排序(PCA、PCoA、CCA、RDA)方法的不同之处，简...
221.Beta多样性PCoA和NMDS排序
热门推荐
刘永鑫的博客——宏基因组公众号
06-29 2万+
Beta多样性与PCoA和NMDS排序本节作者：文涛，刘永鑫版本1.0.4，更新日期：2020年6月27日本项目永久地址：https://github.com/YongxinLiu/Mi...
一文学会PCA/PCoA相关统计检验(PERMANOVA)和可视化
悟道西方
07-22 1727
MANOVA的前提假设 https://www.real-statistics.com/multivariate-statistics/multivariate-analysis-of-variance-manova/manova-assumptions/ https://www.statology.org/manova-assumptions/它的计算方式是不同组样品之间的距离（或距离的排序）平方和(图中黄色部分)除以同一组样品之间的距离（或距离的排序)平方和（图中蓝色部分），具体如下面公式。
r语言做绘制精美pcoa图_R语言进行PCoA分析
weixin_42135754的博客
12-30 5297
相信大家在做微生物多样性研究时经常听到PCA分析、PCoA分析，NMDS分析，CCA分析，RDA分析。它们对物种(或基因、功能)的分析具有重要作用，因而频频出现在16S测序及宏基因组测序中。那么你知道这些分析之前到底有什么区别吗？在什么情况下应该用什么分析呢？首先，以上分析本质上都属于排序分析(Ordination analysis)。排序(ordination)的过程就是在一个可视化的低维空间(...
传统的线性降维方法效果不佳。_常见分析方法 | PCA、PCoA和NMDS有什么区别？
weixin_39981185的博客
10-22 1866
|撰文：阿拉雷回想当年，刚踏足科研领域，心中豪气万丈，幻想着努力发发发paper，从此走上人生巅峰......但当拿到微生物群落研究报告时却瞬间傻了眼，PCA、PCoA、NMDS、CCA、RDA各种长的差不多，细节上却又千差万别的分析方法看得我头晕眼花，更别提还要从中挑选出一个适合自己研究领域的分析方法。为了让各位不再经历类似的窘境，我在这里为大家详细介绍文章中最常见的几类分析方法的原理及图形解读...
ADONIS、ANOSIM、Mangel_test、MRPP
Christina
11-30 1万+
常规的T检验、方差分析等，可以用于比较组间变量的差异水平。由于这些常规方法都是对于1-2个特定变量而言的，那么如果我们想比较所有变量整体的差异，或者说各组对象间在变量组成上是否存在较大的不同，应该怎样做呢？多变量情形下，可能会首先想到使用PCA等排序分析方法去降维，然后在低维空间的排序图中观测对象的离散程度，组间区分是否明显等。然后我们首先看下面这个PCA。排序图中，显示setosa与virginica或versicolor之间区分明显，virginica和versicolor之间存在一定程度的重叠。这种组
2、用R做OTU表的adonis和anosim分析
weixin_65283273的博客
07-28 3493
Adonis，多元方差分析，亦可称为非参数多元方差分析。其原理是利用距离矩阵（比如基于Bray-Curtis距离、Euclidean距离）对总方差进行分解，分析不同分组因素对样品差异的解释度，并使用置换检验对其统计学意义进行显著性分析。ANOSIM（analysis ofsimilarities）分析，也叫相似性分析，主要是用于分析高维度数据组间相似性的统计方法。R2越大说明组间差异越显著，反之为负值则说明组间差异小于组内差异。在进行pcoa或NMDS分析的时候，经常需要一个p值来衡量组间差异是否显著。
一文搞定R语言拟合p值、R方...
wlh2067的博客
11-20 6554
R:ggplot2拟合，我推荐geom_smooth绘制拟合和ggpmisc添加统计信息。几行代码就可以搞定了，对新手非常友好。
原来你是这样的排序分析
悟道西方
08-02 1624
微生态相关文献中都经常出现PCA、PCoA、NMDS 、RDA和CCA等排序分析方法。这些分析成图相似，且都是通过样本点之间的距离反映样本间菌群结构的相似性和差异性。因此很多研究人员纠结于如何选择恰当的排序方法来研究自己的测序数据或展示自己的研究结果？今天就由小美手持放大镜，咱们一起领略排序分析的新视界......
R统计-PCA/PCoA/db-RDA/NMDS/CA/CCA/DCA等排序分析教程
weixin_45822007的博客
08-23 1万+
，这个zhe 点击名片 关注我们一、定义oridination（gradient analysis）：研究群落之间、群落与成员之间、群落与其环境之间的复杂关系。排序的过程是将样方或物种...
PCA （主成分分析）详解 （写给初学者） 结合matlab
saishangxue123的专栏
01-19 2万+
本文转自：http://hi.baidu.com/ifengzh/item/8851b6387aebefc4382ffa60 PCA （主成分分析）详解 （写给初学者） 结合matlab 一、简介         PCA（Principal Components Analysis）即主成分分析，是图像处理中经常用到的降维方法，大家知道，我们在处理有关数字图像处理方面的问题
PCA（Principal components analysis）主成分分析的理解
kl195375的博客
11-19 327
PCA可以用于数据的降维，也可以用于特征的选择。 降维后所有特征都是新的特征，无法明确其具体的意义。 设C为原样本集，P为基。新的数据为T。 C类似于原有坐标点，P是坐标系的基，通过矩阵乘法可以获得新的坐标点T。 通过这种方法获得的T便是降维后的数据集。 在这里我们需要获得P。 两数据之间不存在相互关系时，方差为0. 可以利用这个关系建立协方差矩阵新数据的协方差为M： 为T的协方差矩阵，格式如下: 原数据的协方差为D： M与D之间的关系为： 优化协方差M也就是令协方差矩阵对角化： 优化方式是利用拉格朗日
16S ANOSIM 相似性分析
rojyang的博客
08-16 6431
ANOSIM 相似性分析 （非参数检验） 原理：首先利用 Bray-Curtis 算法计算两两样品间的距离，然后将所有距离从小到大进行排序。 目的：用来检验组间（两组或多组）的差异是否显著大于组内差异，从而判断分组是否有意义。R∈(-1，1) 之间，R>0，说明组间差异显著；R<0，说明组内差异大于组间差异 画图参考上一篇PCA、PCoA、NMDS、Anosim学...
가지 많은 나무에 [나무가] 바람 잘 날 없다. [언어 공부]
weixin_43814775的博客
09-11 535
가지 많은 나무에 [ 나무가 ] 바람 잘 날 없다. 뜻: 가지가 많고 잎이 무성한 나무는 살랑거리는 바람에도 잎이 흔들려서 잠시도 조용한 날이 없다는 뜻으로, 자식을 많이 둔 어버이에게는 근심, 걱정이 끊일 날이 없음을 비유적으로 이르는 말. 례: 가지 많은 나무 바람 잘 날 없다고 우리 부모님 마음 편할 날이 없으셨지. 具体分析： 가지 많은 나무에〔나무가〕바람 잘 날 〔잠잠할 적〕 이 없다. ...
pca和nmds
最新发布
03-19
### PCA 和 NMDS 的特点与应用场景 #### 主成分分析（PCA） 主成分分析是一种线性降维技术，其核心思想是通过寻找数据中的最大方差方向来降低维度。PCA 基于协方差矩阵或相关系数矩阵计算特征向量和特征值，从而提取主要成分并减少冗余信息[^1]。 - **优点** - 计算效率高，适合处理大规模数据集。 - 结果易于解释，能够清晰展示变量间的线性关系。 - 对噪声具有一定的鲁棒性，在某些情况下能有效过滤掉次要变化因素。 - **局限性** - 只适用于线性可分的数据结构，无法捕捉复杂的非线性模式。 - 当样本间的关系并非欧几里得距离定义时，可能失去部分重要信息。 #### 非度量多维标度法（NMDS） NMDS 是一种基于秩次的距离排序方法，旨在尽可能保留原始数据中对象之间的相对顺序而非绝对距离。这种方法特别适合用于描述生态学或其他领域内的复杂相似性或差异性矩阵[^3]。 - **优点** - 能够更好地适应非欧氏空间下的数据分析需求。 - 更灵活地应对不同类型的输入数据（如 Bray-Curtis 相似性指数），尤其在生物多样性研究中有广泛应用。 - 在面对大量物种或样品的情况下表现更优，因为它的优化过程专注于维持等级关系而不是精确数值匹配[^2]。 - **局限性** - 参数调整较为繁琐，通常需要多次迭代才能获得满意的结果。 - 解释起来相对较难，因为它并不像 PCA 那样提供明确的方向性和贡献率指标。 #### 应用场景对比 - 如果目标是对连续型测量值进行简化表示，并希望了解哪些变量驱动了整体变异，则可以选择 PCA 方法。 - 若关注的是离散类别标签或者高度非线性的关联模式识别问题，则推荐采用 NMDS 技术[^4]。 ```python import numpy as np from sklearn.decomposition import PCA from scipy.stats import rankdata from skbio.stats.ordination import nmds # Example of using PCA and NMDS on a dataset X with shape (n_samples, n_features) pca = PCA(n_components=2) X_pca = pca.fit_transform(X) stress, X_nmds = nmds(rankdata(distance_matrix), number_of_dimensions=2) ```
评论
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付：10.00元
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付元
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明：

1.余额是钱包充值的虚拟货币，按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载，可以购买VIP、付费专栏及课程。

余额充值