在处理群落生态学、微生物组学或复杂的多维数据时，如何直观地展示样本间的Beta多样性与差异，是我们分析中的关键一步。主坐标分析（PCoA）正是为此而生。

作为一种经典的无约束降维方法，它打破了传统PCA对欧氏距离的限制，允许我们使用任意距离度量矩阵，提取出数据中最主要的特征。它能最大程度地保留样本间的原始距离关系，帮助我们快速识别数据的分组或梯度变化。

为了让大家把更多的时间留给数据解读，而不是消耗在繁琐的绘图调试上，今天向大家介绍一款高效、便捷的PCoA可视化小工具。

首先，打开爱基百客官网：http://www.igenebook.com；点击菜单栏最右侧“云平台”按钮。

弹出云平台界面（下图），输入账号、密码和验证码方可登录；进入云平台，可以轻松实现多种组学数据的分析和可视化，实现真正的“零代码、无门槛、操作简单”！

登陆后，如下图，我们进入到小工具专栏。当前云平台有38款小工具供用户使用，包括基础绘图、高级绘图、差异检验、聚类分析和序列处理等子模块，本着用户至上的理念，平台小工具将会持续更新维护，积极接受用户的反馈和意见。

1.1 PCoA分析介绍

PCoA（Principal Coordinates Analysis，主坐标分析） 是一种经典的降维和可视化方法，常用于生态学、微生物组学、转录组等领域的β多样性分析。在数据不符合正态分布时，少数高表达基因会完全主导PCA坐标轴，导致样本聚类扭曲。看着PC1、PC2 解释率很高，但是实际只是数值分布畸形带来的假趋势，这时候可以考虑PCoA分析。通过计算所有样本两两之间的距离矩阵，PCoA分析摆脱了PCA对数据正态分布、欧式距离以及协方差矩阵的强依赖。选用Bray-Curtis、Jaccard、altGower等多种距离算法，可适配转录组基因表达数据稀疏、高偏态且存在大量零值的特点，将样本间差异关系映射至二维坐标系中，实现样本表达格局的可视化分析。

在样本间距离计算方式中，bray（Bray-Curtis）最为常用，基于丰度数据，对丰度差异敏感。Gower适合混合数据类型，Jaccard更关注于样本间物种或基因的有无，altGower在Gower的基础上忽略了样本都为零的情况。

爱基百客云平台网络图之PCoA分析地址：http://182.61.3.169:5000/smalltools/detail?id=2039533580629155842

下面我们进行PCoA分析的实操展示。首先打开我们云平台的小工具页面，点击进入PCoA分析页面。

右侧的工具的介绍对输入数据的格式进行了展示，左侧是数据的输入框，主要需要Gene的Count表达量和样本的分组文件。在选择样本间距离计算方式后，点击提交，任务会在后台运行，结束后可以下载运行结果。

1.2 参数设置

距离计算方式：样本间距离举证的计算方式，默认为bray。

输入表达文件：RNAexp的表达Count矩阵文件。

分组文件：样本分组关系文件，第一列为组名，第二列为样本名，无表头。

输出名：自定义输出文件的名字，默认为out。

输入文件格式在小工具页面有展示，也有示例文件可供下载。

• Count表达文件示例展示：

表达数据表格之间需用制表符(Tab键)分隔，第一行为表头信息，第一列为GeneID，其余每个样本一列。

分组信息示例展示：

1.3 任务查看

项目运行成功后，点击下载得到运行的结果文件。

结果文件分别是置信区间PCoA图、样本名PCoA图、PCoA点图、PCoA绘图文件以及输入文件。

1.4 结果展示

PCoA的结果包括pdf和png版本的图，有三种展示方式以供选择。

（1）PCoA点图

（2）置信区间PCoA图

（3）样本名PCoA图