生信学习-高通量分析-NMDS分析: 非度量多维尺度分析
NMDS分析:
非度量多维尺度分析(Non-metric multidimensional scaling,NMDS)是一种将多维空间的研究对象简化到低维空间进行定位,分析和归类,同时又保留对象间原始关系的数据分析方法。一般用组间样本的秩次(数据排名rank order)上的差异来定义距离。
NMDS图形常用作微生物群落研究的β分析。
NMDS侧重反映距离矩阵中数值的排序关系,弱化数值的绝对差异程度。在多样本、物种数量多的情况下(相对于数值间的差异,可进行排序的数量更大),NMDS模型能更准确地反映出距离矩阵的数值排序信息。**因此当样本或者物种数量过多的时候使用NMDS会更加准确。
检验NMDS 分析结果的优劣用胁强系数(Stress)来衡量。NMDS图形通常会给出该模型的stress值,用于判断该图形是否能准确反映数据排序的真实分布。通常认为 stress<0.2 时可用 NMDS 的二维点图表示,其图形 有一定的解释意义;当 stress<0.1 时,可认为是一个好的排序;当 stress<0.05 时,则具有很好的代表性。
NMDS图形类型为散点图,图形中的点代表样本,不同颜色/形状代表不同的样本分组信息。同组间样本点距离远近说明了样本的重复性强弱,分组样本的远近则反应了组间样本距离在秩次(数据排名)上的差异。
横纵坐标轴含义:NMDS是距离值的秩次(数据排名)信息的评估,图形上样本信息仅反映样本间数据秩次信息的远近,而不反映真实的数值差异,横纵坐标轴并无权重意义,横轴不一定比纵轴更加重要。
以一篇发表文章中的示图为例:
用红色正方形表示对组组正常喂养婴儿粪便样本,蓝色三角形表示添加益生菌组喂养婴儿粪便样本。使用非度量多维尺度法(NMDS)对样本进行属水平聚类,表明益生菌补充喂养婴儿和对照组之间的微生物群分布存在明显差异。并且,在图中加入黑色箭头表示相应的差异显示驱动物种。
(Alcon-Giner C, Dalby MJ, Caim S, Ketskemety J, Shaw A, Sim K, Lawson MAE, Kiu R, Leclaire C, Chalklen L, Kujawska M, Mitra S, Fardus-Reid F, Belteki G, McColl K, Swann JR, Kroll JS, Clarke P, Hall LJ. Microbiota Supplementation with Bifidobacterium and Lactobacillus Modifies the Preterm Infant Gut Microbiota and Metabolome: An Observational Study. Cell Rep Med. 2020 Aug 25;1(5):100077. doi: 10.1016/j.xcrm.2020.100077. PMID: 32904427; PMCID: PMC7453906.)
生信学习-高通量分析-NMDS分析: 非度量多维尺度分析相关推荐
- 生信技能-高通量测序工具bam、samtools、bedtools及conda的下载和安装
一.BWA 1.介绍 简介:用于建立 index:基于 BWT 算法,将 reads 比对到参考基因组:最新版本 bwa-mem2,Intel实验室对计算效率进行了优化. 详情:baw是一款将序列比对 ...
- 多维尺度分析MDS详解
一 概述 MDS的初衷是将图结构中的距离在空间的一种表示.例如,已知几个城市的距离,但是不知道城市的坐标,那么MDS就能通过距离矩阵转换成空间坐标向量来近似描述距离.更重要地是,MDS可以更广泛地应用 ...
- SPSS(十四)SPSS之多维尺度分析(图文+数据集)
SPSS(十三)SPSS之多维尺度分析(图文+数据集) 多维尺度分析简介 多维尺度(Multidimensional scaling,缩写MDS,又译"多维标度")也称作" ...
- 生信学习之通路富集一(GO分析)
生信学习之通路富集一(GO分析): 富集分析的理论知识 富集分析(Enrichment Analysis)是一种广泛应用于生物信息学研究的统计方法,主要用于检验一个基因集合中某些功能或特征的富集程度. ...
- 送书 | 知乎阅读300w+的生信学习指南(更新版)
先送书 在上周的留言送书活动中,恭喜下面这位读者获得书籍"Oracle高性能系统架构实战大全",请及时与生信宝典编辑(shengxinbaodian)联系. 2020过去三分之一了 ...
- 知乎阅读三百万的生信学习指南
作为本科学生物,硕博转行生物信息的人,经常会被人问起,为啥学习生物信息了呢?这背后通常会带着一些困惑,生物信息分析好不好学? 生信的作用越来越大,想学的人越来越多,不管是为了以后发展,还是为了解决眼下 ...
- 易生信极高性价比暑期黑马集训 -- 低至2500每人
开课背景 生物信息学说起来很好理解,可是对大部分想学习生信的人来说,操作起来却是有些棘手,无有头绪.生信的研究内容主要包括两个方面:首先,需要生物研究者利用实验收集.整理.储存.获取生物学数据:另一方 ...
- 计算机通路的基本概念,【生信学习笔记】KEGG分子通路数据库
原标题:[生信学习笔记]KEGG分子通路数据库 首先什么是一个通路? 通路可以定义为a series of actions among molecules in a cell,细胞中的分子的一系列的行 ...
- 生信学习——R语言学习总结
写在前面--经过了四十天断断续续的学习,算是对R语言有了初步的了解.其实使用R语言,无非就是对数据进行处理分析,然后把结果可视化.但是数据的千变万化,还有数以万计的函数.数据格式,使得这个过程变得很复 ...
- 生信学习学的是什么?常识!
生物信息学学的是什么?常识! 学习的是基本生物学概念的常识! 学习的是计算机基础的常识! 学习的是图形解读的常识! 学习的是统计的常识! 拦住生信学习脚步的不是技术有多难,而是有些常识你还不知道. 这 ...
最新文章
- mybatis注解配置出现returned more than one row, where no more than one was expected
- 解决ScrollView嵌套ViewPager出现的滑动冲突问题
- Android原生开发modules方式导入Unity问题汇总
- logback Appender详解
- 解决Linux 忘记root 密码的办法
- C/C++获取指定网口的IP地址
- 如何通过数据分析鉴别假微博大V?
- 对6月份的项目的总结
- 多角度分析,通讯时序数据的预测与异常检测挑战
- 没有在该机执行windows脚本宿主的权限_解决办法
- autoLayout+sizeClass屏幕适配
- android 优化
- Linux 常用命令学习-文件及文件夹操作相关命令-持续更新
- 机器学习(一) Eviews下载及安装教程
- 分享最新win7旗舰版/专业版企业版激活密钥和激活方法哦
- Web服务器技术的优缺点有哪些?
- 【Python】阿里云对象存储OSS图床上传图片
- leetcode-838:推多米诺
- python 函数式编程包_Python——详解函数式编程与闭包
- excel mysql 联合,excel中如何关联上一表格数据库-怎么把EXCEL 与数据库关联