R语言作图之PCA作图和散点图.pdfVIP

. PCA分析和散点图 今天主要跟大家演示一下简单的 PCA 分析，并且以散点图的形式将结果展示出 来。 首先在进行 PCA分析之前，先跟大家稍微讨论下什么是 PCA 分析。 PCA 分析 又叫主成分分析，其实从字面上来理解我们可以发现它其实是和样品分组相关的。 举个简单的例子，我们观察了某种植物的株高、叶片大小、果实大小等等多种性 状，并记录每种性状对应的数值。这时候我们想看看根据这些性状信息看看我们观 察的样本是否明显的分组现象。每一种性状相当于一个维度。利用 PCA分析可以 将结果投影到一个低维的向量空间（具体计算就不详述了）。类似的比如我们多个 样本的表达谱数据，每个基因在各个样品的表达情况就可以算作一个维度。如果大 家对 PCA 算法感兴趣的话，可以自行百度，在这里就不进行太多的描述了。毕竟 今天主要是教大家怎么利用 R 进行 PCA 分析和结果展示。 还是第一步，我们先准 备好我们用来分析的数据。 setwd ( C:/Users/gaom/Desktop ) # 打开文件所在路径，并将文件所在目录作为工作目 录 data- read.table ( file = test_data.txt , header = T, sep = \t ) # 读取数 据，并将首行作为列名 dim (data) ## [1] 2999 13 head (data) ## ID_REF T01 T02 T03 T04 T05 T06 ## 1 1007_s_at 10.198586 11.805676 10.867953 11.763660 12.072232 12.108 312 ## 2 1053_at 9.594074 8.713108 9.247096 9.433265 9.092329 9.005 518 ## 3 117_at 8.581763 8.603680 8.804425 8.661700 8.634979 8.606 976 ## 4 121_at 12.022315 12.655329 12.627334 12.791390 12.961761 12.885 307 ## 5 1255_g_at 7.228569 7.214600 7.237131 7.293417 7.276799 7.268 233 ## 6 1294_at 8.828487 9.380277 9.297989 8.858985 8.995772 9.126 825 ## T07 T08 T09 T10 T11 T12 ## 1 10.646868 10.852744 10.675898 11.137663 10.796737 11.102408 ## 2 9.087681 9.027208 8.965283 8.958309 9.275010 8.940965 ## 3 8.625838 8.577244 8.646751 8.625843 8.625164 8.522129 ## 4 13.402044 13.240126 13.088883 13.234099 13.382903 13.472223 . . ## 5 7.197440 7.262662 7.289796 7.232249 7.202364 7.306229 ## 6 9.002385 9.003561 9.006278 9.006721 9.018183 9.164313 上述数据为从 GEO数据库随意找的基因表达。其中第一列为基因探针号，后 续几列则为 T01 到 T12 的 12 个样品对应的表达量数据，每三个样品为一组。因 为数据是拼凑的，所以这里不关注探针具体信息了。 准备好数据之后我们就开始进行