MDS: multidimensional scaling
PCoA: principal coordinate analysis
PCA: principal components analysis
三者最大的区别是PCA计算样本之间的correlation(比如线性关系等等),而MDS和PCoA计算样本之间的距离。
建立模拟数据集
这里用的数据集和PCA中模拟练习的数据集一样,包含10个样本和100个基因,前五个样本是野生型“WT”,后五个样本是敲除“KO”
由于这是我们模拟出来用来练手的数据,暂且就将一百个基因命名为gene1, gene2, ..., gene100
然后生成随机数(这些随机数五个一组符合泊松分布)建立模拟数据集
data.matrix <- matrix(nrow=100, ncol=10)
colnames(data.matrix) <- c(
paste("wt", 1:5, sep=""),
paste("ko", 1:5, sep=""))
rownames(data.matrix) <- paste("gene", 1:100, sep="")
for (i in 1:100) {
wt.values <- rpois(5, lambda=sample(x=10:1000, size=1))
ko.values <- rpois(5, lambda=sample(x=10:1000, size=1))
data.matrix[i,] <- c(wt.values, ko.values)
}
head(data.matrix)
dim(data.matrix)
![](http://img.e-com-net.com/image/info10/714b12310a684d25b06b785b1b25bf7a.jpg)
生成的模拟数据集
MDS or PCoA
euclidean距离
用dist建立距离矩阵
distance.matrix <- dist(scale(t(data.matrix), center=TRUE, scale=TRUE),
method="euclidean")
就像PCA一样,样本名是行名,基因名是列名,距离矩阵一共有六种方法,在这里我们选择 method="euclidean"。
其实 method="euclidean"的距离计算方式会导致结果跟PCA一模一样,因为这种计算取得是距离的平方相加然后开根号,距离之间的详细介绍可以看这篇博文:https://blog.csdn.net/xxzhangx/article/details/53153821。
用cmdscale()计算MDS
cmdscale, Classical Muti-Dimensional scaling
mds.stuff <- cmdscale(distance.matrix, eig=TRUE, x.ret=TRUE)
eig=TRUE,eigen value可以帮助我们计算各个变量在距离矩阵每个aixs所占比例。
P.S.也可以用eigen()做MDS分析
计算每个aixs所占比重
mds.var.per <- round(mds.stuff$eig/sum(mds.stuff$eig)*100, 1)
mds.var.per
作图
mds.values <- mds.stuff$points
mds.data <- data.frame(Sample=rownames(mds.values),
X=mds.values[,1],
Y=mds.values[,2])
mds.data
MDS.data
library(ggplot2)
ggplot(data=mds.data, aes(x=X, y=Y, label=Sample)) +
geom_text() +
theme_bw() +
xlab(paste("MDS1 - ", mds.var.per[1], "%", sep="")) +
ylab(paste("MDS2 - ", mds.var.per[2], "%", sep="")) +
ggtitle("MDS plot using Euclidean distance")
和PCA一模一样
换一种距离继续计算MDS
遗传学家更常用的the average of the absolute value of the log fold change
计算每个基因log2的值
log2.data.matrix <- log2(data.matrix)
建立基于log2的距离矩阵
先建立一个空的矩阵
log2.distance.matrix <- matrix(0,
nrow=ncol(log2.data.matrix),
ncol=ncol(log2.data.matrix),
dimnames=list(colnames(log2.data.matrix),
colnames(log2.data.matrix)))
空的矩阵
向矩阵中填写log fold changes 绝对值的平均数
for(i in 1:ncol(log2.distance.matrix)) {
for(j in 1:i) {
log2.distance.matrix[i, j] <-
mean(abs(log2.data.matrix[,i] - log2.data.matrix[,j]))
}
}
log2.distance.matrix
因为是对称的,只计算了一半
cmdscale
as.dist()变成机器识别的距离
mds.stuff <- cmdscale(as.dist(log2.distance.matrix),
eig=TRUE,
x.ret=TRUE)
同样计算每个变量在MDS各个轴所占比重
mds.var.per <- round(mds.stuff$eig/sum(mds.stuff$eig)*100, 1)
画图
mds.values <- mds.stuff$points
mds.data <- data.frame(Sample=rownames(mds.values),
X=mds.values[,1],
Y=mds.values[,2])
mds.data
mds.data
ggplot(data=mds.data, aes(x=X, y=Y, label=Sample)) +
geom_text() +
theme_bw() +
xlab(paste("MDS1 - ", mds.var.per[1], "%", sep="")) +
ylab(paste("MDS2 - ", mds.var.per[2], "%", sep="")) +
ggtitle("MDS plot using avg(logFC) as the distance")
MDS(log fold change)
比较一下两张图,虽然相似,但是不同在于每个axis所占比重
euclidean VS the log fold