PCA-弱水三千，取哪一瓢饮？

Let PCA tell us

容量有限，饮那瓢最能代表弱水的。

Then which？

对待数据的正确态度-----处理之前，要先了解它(RNA-seq counts)

RNA-seq让我们对样本的了解拓宽到了基因层面（也就是说，我们现在看样本的维度是基因数量 维，10^4级别的维度）

But我们没有10^4维度的视角

PCA的目的就是，在保留最多信息（真实性/方差最大）的前提下，将样本以点图的形式反映到二维坐标里（一般是前两个主成分）；

目前对PCA的了解

• 在机器学习中广泛使用的降维方法；目的是为了找到有共同特征的组，如此便可用较少的组信息表征成千上万的特征信息；
• RNA-seq中，用前两个主成分（一般来说是前两个）代表不同样本的基因表达的变化，便可将信息呈现在简单的xy点图中，而不需要将每个样本的成千上万的基因信息全部体现出来；需要用normalize后的数据作图哦！！！
• 实验人员用来分析主成分下暗含的实验或技术原因，也用于判断批次效应或离群点；

以下是频繁出现的df的真容：

下面奉上我在对文章数据进行重现时，使用到的PCA代码：

FactoMineR+factoextra

用到的参数的介绍

• df[,-ncol(df)]这是对我用于主成分分析的数据的索引，去掉了最后一列的数据，ncol用于返回数据框的列数，这里 “-” 即表示除去某一列；这里的最后一列，是加进去的分组信息；
• PCA函数是FactoMineR包中的功能；graph参数设为FALSE后，这里只是保存了主成分分析后的结果；
• fviz_pca_ind是factoextra包中的函数，对PCA结果中的individuals（这里是样本）进行作图，df.pca是我们用PCA函数得到的结果；
• geom.ind即我们把降维后的样本以point的形式反应在二维坐标上，还有arrow，text等可选的参数；
• col.ind即基于df里的分组信息进行颜色区分；
• addEllipses指在样本周围绘制椭圆，可以更好地区分；
• legend.title是fviz_pca_ind依赖的ggpubr::ggpar()包中的参数，为自己的legend取名，这里取名为'Groups'；

library("FactoMineR")
library("factoextra") 
df.pca <- PCA(df[,-ncol(df)], graph = FALSE)
df.pca
fviz_pca_ind(df.pca,
             geom.ind = "point",
             col.ind = df$group, 
             addEllipses = TRUE, 
             legend.title = "Groups"
)
ggsave('all_samples_PCA.png')

Rplot_FVIZ.png

prcomp

prcomp值得更多篇幅，后天我再做详解；

https://cran.r-project.org/web/packages/ggfortify/vignettes/plot_pca.html

用到的参数介绍

• prcomp是R的stats 包（base级别）的函数；
• autoplot是ggfortify中的函数，frame即对分出来的簇加上边界，frame.type即边界类型设定为norm；

• ggplot2太大了，得抽时间好好了解；

library(ggfortify)
autoplot(prcomp( df[,1:ncol(df)-1] ), data=df,colour = 'group')
autoplot(prcomp( df[,1:ncol(df)-1] ), data=df,colour = 'group',frame=TRUE,frame.type = 'norm')

Rplot_prcomp.png

Rplot_prcomp1.png

课程分享
生信技能树全球公益巡讲
（https://mp.weixin.qq.com/s/E9ykuIbc-2Ja9HOY0bn_6g）
B站公益74小时生信工程师教学视频合辑
（https://mp.weixin.qq.com/s/IyFK7l_WBAiUgqQi8O7Hxw）
招学徒：
（https://mp.weixin.qq.com/s/KgbilzXnFjbKKunuw7NVfw）