在线作图丨数据降维方法⑥——消除趋势对应分析(Detrended correspondence analysis, DCA)

Question 1: What is DCA?
想要理解DCA（Detrended correspondence analysis, 消除趋势对应分析），首先要理解CA（Correspondence analysis，对应分析）。就群落排序而言，对应分析比主成分分析（PCA）更好，更稳健，但是在处理长生态梯度时存在缺陷或者“错误”，这些问题可以通过消除趋势的对应分析（Detrended Correspondence Analysis, DCA）处理。由于在对应分析（Correspondence analysis，CA）中可能会产生“弓形效应（arch effect）”，对排序的精度产生影响，此时去趋势对应分析（Decentred Correspondence Analysis，DCA）也许会是一个较好的选择。
弓形效应如下图的X的点的形状。

×为消除趋势前样品排布；· 为消除趋势后样品排布

由于是为了去除CA第二轴产生的弓形效应的影响，所以其大体和CA是一致的。仅仅在求第二轴的坐标值时，不需要进行正交化，取而代之的是除趋势。即将第一轴分成数个区间，在每一区间内对第二轴的排序值分别进行中心化。用经过除趋势处理的样本的排序值，再进行加权平均求新的特征排序值。跟第一轴的求法一样，不断的迭代。采用一个将第一轴分成一系列区间，在每个区间内将平均数定为零，从而消除了弓形效应。

Question 2：如何利用DCA选择RDA或者CCA？
RDA或CCA模型的选择原则：先用丰度矩阵数据做DCA分析，看分析结果中Axis Lengths of gradient的轴的大小，如果大于4.0，推荐选CCA，如果3.0-4.0之间，选RDA和CCA均可，如果小于3.0，推荐使用RDA。

Question 3：如何不使用R语言绘制DCA图？
小编和他的小伙伴们开发了一个在线的作图小网站——云图图（https://www.cloudtutu.com/#/index，免费的哦~），操作步骤如下：
①登录网址：https://www.cloudtutu.com/#/index（推荐使用360或者谷歌浏览器）
②输入用户名和密码（小编已经为大家填好了，如果不显示可添加文末二维码添加小编获取），输入验证码后即可登录，无需注册，直接使用，不必担心隐私泄露，是不是诚意满满~
③登录后在工具一栏（全部分析）里找到DCA分析，点击进入；
④请按照界面右侧的说明书或者下文进行操作，即可在2分钟内获得一张精美的DCA分析图喽~
话不多说，我们开始行动吧~

Step 1：上传数据
※目前平台仅支持.txt(制表符分隔)文本文件或者.csv文件的文件上传。
平台可对不规范的数据格式进行部分处理，但还是请您尽量按照示例数据的格式调整数据，以便机器可以识别。
a)准备一个数据矩阵（形式参照示例数据，如微生物OTU表、物种丰度表、基因表达量矩阵、代谢物含量表，也可以是测量数据，例如身高、体重、表型等）；
b)表格需要带表头和列名，第一行为样本名，第一列为各种指标名（如代谢物名称、OTUID、genus等）。
c)请提交txt(制表符分隔)文本文件或者.csv文件。操作方法为：全选excel中的所有内容（ctrl+A），复制到记事本中，将记事本文件另存后上传该文件。
※传完文件后一定要填写说明书下方的分组信息！否则无法绘图。

Step 2：调整参数
2.1 标签字体大小：图中显示样品名称的字体大小。
2.2 元素大小：图中代表样品的图标的大小。
2.3 分组信息：整个页面的右下角（图片的下方）
需要对所有样品进行分组，本网站支持在线修改分组名称和样品名称的功能。

Step 3：下载文件
根据个人需求进行参数调整后点击运行后等待5-10秒即可下载结果，平台提供PDF格式的矢量图和表格下载。表格中含有DC1-DC4的数据，可以作为CCA或者RDA的选择依据。

Step 4：作图后处理
TUTU云平台提供的是PDF格式的矢量图，可通过矢量图处理软件（Inkscape或AI）进行编辑和调整（如：文字字体，文字大小，图片分辨率等）。图形处理软件和使用方法可扫描文后的二维码添加小编微信获取。

写作建议
DCA analysis was performed on Tutools platform (http://www.cloudtutu.com), a free online data analysis website.

Acknowledgement
感谢热心网友“任文子”同学对TUTU平台上DCA分析提出的很多合理建议和bug反馈，特此致谢~TUTU期待各位老师对我们提出更多的意见和建议，希望能与大家共同进步。

END

尊敬的用户，如果图图云平台在您的科研中有幸提供了些许帮助，我们期望您能在方法学或者致谢中提及我们，引用方法如下：XXXX analysis was performed on Tutools platform (https://www.cloudtutu.com), a free online data analysis website. 目前平台还处于测试阶段，使用过程中有任何疑问或者报错欢迎随时联系小编反馈。您的反馈和建议是我们最大的动力~

在线作图丨数据降维方法⑥——消除趋势对应分析(Detrended correspondence analysis, DCA)相关推荐

在线作图丨数据降维方法③——正交偏最小二乘方判别分析（OPLS-DA）
Question1:什么是PLS-DA? 与PCA不同,PLS是"有监督"模式的偏最小二乘法分析,也就是在分析数据时,已知样本的分组关系,这样可以更好的选择区分各组的特征变量,确 ...
在线作图丨数据降维方法①——主成分分析PCA
PCA是什么? 主成分分析算法(PCA)是最常用的线性降维方法,它的目标是通过某种线性投影,将高维的数据映射到低维的空间中,并期望在所投影的维度上数据的信息量最大(方差最大),以此使用较少的数据维度, ...
在线作图丨数据降维方法②——主坐标分析PCoA
什么是PCoA? 主坐标分析(principal co-ordinates analysis,PCoA)呈现研究数据相似性或差异性的可视化坐标,是一种非约束性的数据降维分析方法,可用来研究样本群落组成 ...
在线作图丨数据降维方法⑤——t-SNE(t-Distributed Stochastic Neighbor Embedding)
Question 1:什么是t-SNE? t-Distributed Stochastic Neighbor Embedding (t-SNE) 是一种非线性降维技术,特别适用于高维数据集的可视化.它 ...
在线作图丨绘制一个含饼图的组内网络分析图（Network Analysis）
前几期小编给大家介绍了如何做一个组间网络分析图(Network Analysis) 在线作图丨绘制组间网络分析(Network Analysis),有小伙伴希望小编更新一期组内互作网络的说明.所以,它 ...
python降维方法_机器学习数据降维方法总结（附python代码）
介绍在机器学习实战时,如果面对一个数据集具有上千个特征,那么对于模型训练将是一个巨大的挑战.面对如此多的数据变量,如果我们认真的去分析每一个变量将耗费我们几周甚至几个月的时间,那么你估计也要被开除了 ...
pca 累积方差贡献率公式_机器学习数据降维方法：PCA主成分分析
PCA在机器学习中很常用,是一种无参数的数据降维方法.PCA步骤: 将原始数据按列组成n行m列矩阵X 将X的每一行(代表一个属性字段)进行零均值化,即减去这一行的均值求出协方差矩阵求出协方差矩阵的 ...
脑电信号预处理--去趋势化(Detrended fluctuation analysis)
点击上面"脑机接口社区"关注我们更多技术干货第一时间送达本文由c851038595授权分享感谢c851038595! 由于脑电信号的不稳定性和不规则性,因此对脑电信号的处理也 ...
在线作图丨高级的微生物分析——在线做Variance Partitioning Analysis（VPA分析）
今天小编给大家分享点厉害的干货~ Question 1:什么是VPA? 群落分析中常见的环境因子分析包括CCA典范对应分析(canonical correspondence analysis)和RDA ...

在线作图丨数据降维方法⑥——消除趋势对应分析(Detrended correspondence analysis, DCA)

在线作图丨数据降维方法⑥——消除趋势对应分析(Detrended correspondence analysis, DCA)相关推荐

最新文章

热门文章