PCoA(principal co-ordinates analysis)是一种研究数据相似性或差异性的可视化方法,通过一系列的特征值和特征向量进行排序后,选择主要排在前几位的特征值,PCoA 可以找到距离矩阵中最主要的坐标,结果是数据矩阵的一个旋转,它没有改变样品点之间的相互位置关系,只是改变了坐标系统。通过PCoA 可以观察个体或群体间的差异。本款小工具基于距离矩阵bray-curtis来寻找主坐标。
1. 物种或OTU相对丰度文件
物种相对丰度文件(tab分割文件)为必填参数。第一行为样本分析名,第一列为物种名,值为物种在样本中的相对丰度。输入文件格式支持txt和xls,xlsx。
示例文件下载:abundance.xlsx
2. 样本分组信息文件(必填)
样本分组信息文件(tab分割文件)为必填参数。第一列为样本分析名,第二列为样本的分组名称(注意表头Group大小写问题)。支持多种文件格式[txt、xls、xlsx],文件名不允许有空格和特殊字符。
示例文件下载:mapping.txt
1.结果示意图
图片说明:图片说明:横坐标( PC1 )和纵坐标( PC2 )为样本间差异解释度最大的两个主要坐标,相同颜色为相同分组,一个点即为一个样本,相似的样本会聚在一起。
上线