生信中的PCA ,PCoA

### 使用DESeq2进行PCA主成分分析 为了使用DESeq2软件包执行主成分分析（PCA），并基于差异表达基因更好地区分不同类型的样本，如癌和癌旁组织，可以遵循以下方法[^1]。 #### 准备工作环境 首先加载必要的R库，并读取或创建所需的计数矩阵以及对应的元数据文件： ```r library(DESeq2) # 假设已经有一个名为dds的对象包含了实验设计信息 data <- read.csv("counts_matrix.csv", row.names=1) colData <- data.frame(condition=factor(c(rep("control", 3), rep("treated", 3)))) dds <- DESeqDataSetFromMatrix(countData=data, colData=colData, design=~condition) ``` #### 差异表达分析 接着运行差异表达分析流程，这一步骤会计算每个基因在不同条件下是否存在显著变化： ```r dds <- DESeq(dds) res <- results(dds) ``` #### 提取标准化后的表达值 对于后续的PCA分析来说，通常建议先对原始计数值应用某种形式的变化以减少技术变异的影响。在这里可以选择使用`regularized-logarithm transformation (rlog)`变换作为预处理步骤之一： ```r vsd <- vst(dds, blind=FALSE) head(assay(vsd)[, 1:2]) ``` 上述命令将会展示前几行经过vst转换后的表达水平，这些值可以直接用于PCA绘图[^2]。 #### 执行PCA并绘制图形 最后通过调用`plotPCA()`函数轻松完成PCA图表制作过程，该函数内部实现了所有必要操作，包括计算协方差矩阵、特征向量求解等复杂运算；同时支持自定义颜色方案和其他美学参数设置以便于解读结果： ```r pca_res <- plotPCA(vsd, intgroup="condition", returnDat=TRUE) percentVar <- round(100 * attr(pca_res, "percentVar")) print(plotPCA(vsd, intgroup="condition") + ggtitle(sprintf("PCA plot (%.1f%% / %.1f%% variance explained)", percentVar[1], percentVar[2]))) ``` 这段代码不仅生成了一个二维散点图表示各个样品的位置分布情况及其相互关系，还额外提供了两个主要维度所解释总变异性比例的信息。