方法 | 全称 | 类型 | 数据要求和特征 | 适用场景和特点 |
PCA | 主成分分析 （Principal Component Analysis） | 线性降维方法 | - 适用于定量数据（数值型） - 假设数据具有线性结构 | - 寻找最大方差方向 - 用于数据简化和噪声去除 - 分析变量间的相关性 |
PCoA | 主坐标分析 （Principal Coordinates Analysis） | 距离矩阵分析 | - 基于样本间的距离矩阵 - 可使用任何距离度量（如Euclidean、Bray-Curtis） | - 适用于任何形式的距离或相似性数据 - 显示样本之间的相似关系 |
NMDS | 非度量多维尺度分析 （Non-metric Multidimensional Scaling） | 距离矩阵分析（非线性） | - 仅依赖距离矩阵 - 非参数方法，适合非线性数据 | - 适合处理非线性、高维数据 - 保留样本间的相对距离和排序关系 |
PLS-DA | 偏最小二乘判别分析 （Partial Least Squares Discriminant Analysis） | 监督学习方法 | - 适用于定量数据 - 结合PCA和回归分析 | - 强调变量间的差异 - 用于分类和组间差异分析 |
RDA/CCA | 冗余分析/典范对应分析（Redundancy Analysis/Canonical Correspondence Analysis） | 约束排序方法 | - 包含环境变量 - RDA适用于线性关系 - CCA适用于非线性关系 | - 分析物种与环境变量的关系 - 解释环境变量对群落结构的影响 |
PCA、PCoA、NMDS、PLS-DA、RDA/CCA分析的区别？
通常会基于Beta多样性分析得到的距离矩阵，再进行PCA、PCoA、NMDS等分析。
一般利用PCA、PCoA、NMDS或PLS-DA分析进行样本间比较，反映样本间群落结构的相似性和差异性。
RDA/CCA分析用来描述环境因子对样本群落结构变化的影响，反映样本、物种和环境因子三者之间的关系，找出对物种分布变化影响程度较大的环境因子。
主要内容：
（1）选对方法选对路：如何选择合适的测序方法？典型文章的设计思路是怎样的？可以怎么整合各类数据使文章更具有科研价值？
（2）深入浅出读懂α、β多样性：理解背后原理，学会灵活使用，避免误区。
（3）异常样本的识别与处理：如何判断和找出异常样本？如何合理处理异常样本？
（4）多组学关联分析与网络分析：提炼与升华，让文章和结果数据展示出更大的价值。
扫描下方二维码或根据链接获取课程
链接：https://college.mimazi.net/course/article-69.html
【关注我们】
我们专注于微生物组学的测序与个性化数据分析，建有微生物组学研究的科研讨论群，扫码联系客服即可加入微信交流群，随时咨询技术问题。
