科研技能在线绘制PCA图和Heatmap，一键出图

　　主成分分析（PCA） ，是考察多个变量间相关性的一种多元统计方法，研究如何通过少数几个主成分来揭示多个变量间的内部结构，即从原始变量中导出少数几个主成分，使它们尽可能多地保留原始变量的信息，且彼此间互不相关。
　　图1 主成分分析得分图
　　在生物医学领域，生物样本存在于一个复杂的系统，容易受各种环境因素及自身基因、代谢等因素的影响，变量非常多。PCA可以从复杂的数据中找到最主要的元素，去除噪音和冗余，所以应用较为广泛。
　　作为目前比较常见的可视化手段之一， 热图（Heatmap） 因其丰富的色彩变换和生动饱满的信息表达被广泛应用于 各种类型的数据分析 。热图可以用来进行差异数据的具像化显示，直观地展示重点研究对象，同样可以对样本进行聚类，从而观测样品质量等。虽然热图表达形式各样，但其基本元素却是通用的。
　　下面为大家介绍一种在线就可以绘制PCA图和Heatmap的方法，该方法用到的在线工具为 ClustVis ，网址为：https://biit.cs.ut.ee/clustvis/
　　一、上传绘图数据
　　点击上方菜单栏 Data import ，再点击左侧菜单栏 Upload file ，上传已准备好的数据，数据格式可以是.txt和.csv，数据大小不应超过2M。
　　当然也可以点击 Paste data 复制粘贴自己的数据。
　　ClustVis贴心的为使用者准备了样例数据，点击左侧菜单栏Load sample data，可以看到数据被识别为三部分，分别为Column annotations、Numeric data 、Row annotations。
　　那么， 上传的原始数据应该是什么样式呢 ？
　　这里为大家展示下原始数据样式（ 数据不具有实际意义，仅作展示用 ），需要绘制PCA图和Heatmap图的同学按该格式准备自己的数据即可，上传后检查下上面三部分是否正常。
　　如果需要转置数据矩阵，则点击左侧菜单栏最下方transpose matrix（数据点击了transpose matrix）。
　　二、数据预处理
　　数据上传完成之后，点击上方菜单栏 data pre-processing 开始数据预处理，处理结果分为 六个部分 ：矩阵大小信息Data matrix size、行缺失值Missing values (NAs) in rows、列缺失值Missing values (NAs) in columns、主成分方差解释Variance explained by principal components 、主成分Principal components和载荷系数Component loadings。
　　如果需要 自定义分析过程 ，则点击左侧菜单栏相应按钮，主要有：transformation：对原始数据求进行对数处理；column annotation groups to keep：数据注释信息的保留，建议全部勾选；其他选项如Row scaling和PCA method等可根据个人需求调整。
　　三、PCA可视化
　　此步 直接点击上方菜单栏 的 PCA 即可出图。
　　如果需要自定义，可以点击左侧菜单栏的change data options、change display options和change plot labels 调整图片的图例、长宽比例、点的大小等。
　　四、Heatmap可视化
　　点击上方菜单栏的Heatmap即可自动出图。
　　如果仍需自定义，同样可以点击左侧菜单栏的change data options、change display options和change plot labels 调整图片的行列聚类方法、行列注释信息显示与否、长宽比例、配色方案、点的大小、行列名称的字体大小等。
　　五、图片/数据导出
　　我们可以在PCA和Heatmap菜单下保存PDF、EPS和SVG图片格式，可以在Export菜单下保存分析过程产生的CSV表格数据等。
　　版权申明：本文系＂启帆医学BioSCI＂公众号转载，仅作分享之用，文章版权属于原作者。如果分享内容侵犯您的版权或者非授权发布，请及时与我们联系，我们会及时审核处理。