科研有捷徑，輸入代碼，一鍵獲取科研成果！就是這么省事，來具體看下有多方便！

搜索http://985.so/a9kb查看全部代碼（目前共計50+持續(xù)新增中），也可以點擊右側(cè)【目錄】，可以看到更多有趣的代碼

真香提示：文末可以知道如何獲取代碼~?

主成分分析（Principal component analysis, PCA）是一種數(shù)學(xué)算法，它可以在減少數(shù)據(jù)維度的同時，保留數(shù)據(jù)集中絕大多數(shù)的變量[1]。

PCA通過對主成分進行辨別，找出一個方向，并沿此方向分布的數(shù)據(jù)為最大值，從而減少數(shù)據(jù)維度。通過采用這樣的主成分，便可以只選用若干變量而不是上千的變量來對一種樣品進行分析了。
這樣，就可以將樣品有關(guān)變量繪制成圖，使得樣品間的相似性和相異之處一目了然，對不同樣品是否可以歸為一組，也一清二楚。這里我們主要解析如何利用R語言，基于表達譜中基因的表達值做PCA分析，并輸出三維的PCA結(jié)果圖。

1.?在線安裝并加載rgl包

source("http://bioconductor.org/biocLite.R")

biocLite(“rgl”)

library(rgl)

2.?輸入表達譜數(shù)據(jù)（示例以一組隨意獲得的表達譜中的表達譜值為例）

A=read.table("e:/diff-exp-zhuan.txt",header=T)

#輸入表達譜數(shù)據(jù)，注意這里基因數(shù)目一定不能少于樣本數(shù)目B=as.data.frame(scale(A[2:21]))

#指定參與做PCA分析的數(shù)據(jù)

3.?用之前指定的數(shù)據(jù)做PCA分析

pca <- prcomp(B)

summary(pca)

結(jié)果：將組成成分的信息均展示出：

4.?畫出前三個PC為軸的PCA三維圖（此處可根據(jù)研究目的等需求來選取需要的PC來指定根據(jù)哪三個PC來畫圖）

colour<-c(rep("gray",10),rep("orange",10))

plot3d(pca$x[,1:3],col=colour,type="s",radius=0.35,font.lab=2)

此圖在R上畫出后，可以根據(jù)最后輸出圖形的角度，用單擊鼠標左鍵的方式在頁面上進行旋轉(zhuǎn)，得到不同視覺角度的圖。

這樣，根據(jù)輸入的基因的表達值的PCA分析與PCA立體結(jié)果圖就完成了，很簡單吧？趕快試試。

搜索http://985.so/a9kb查看全部代碼（目前共計50+持續(xù)新增中），也可以點擊右側(cè)【目錄】，可以看到更多有趣的代碼