PCoA分析，即主坐标分析(principal co-ordinates analysis)，也是一种非约束性的数据降维分析方法，可用来研究样本的相似性或差异性，与PCA分析类似；主要区别在于，PCA基于欧氏距离，PCoA基于除欧氏距离以外的其它距离。PCoA分析，首先对一系列的特征值和特征向量进行排序，然后选择排在前几位的最主要特征值，并将其表现在坐标系里，结果相当于是距离矩阵的一个旋转，它没有改变样本点之间的相互位置关系，只是改变了坐标系统。

输入：

1、样本距离矩阵文件，可由分析模块“Generate distance matrix from fpkm matrix”生成。

示例：

T4    T5    T6    T7    T8    T9

T4    0       556.755292869315 548.144810678248 1840.00551404162 4595.29924214683 1500.48982692357

T5    556.755292869315 0       608.699577853257 1817.04805740656 4504.26458143164 1526.05178655135

T6    548.144810678248 608.699577853257 0       1768.22280076409 4633.56038886132 1354.17671707347

T7    1840.00551404162 1817.04805740656 1768.22280076409 0       3697.34366245185 1251.5445135536

T8    4595.29924214683 4504.26458143164 4633.56038886132 3697.34366245185 0       4612.87039733818

T9    1500.48982692357 1526.05178655135 1354.17671707347 1251.5445135536    4612.87039733818 0

2、样品分组信息表(可选)。

示例：

T4     group1

T5     group1

T6     group1

T7     group2

T8     group2

T9     group2

输出：

1、pcoa_sites.txt：记录了样本在各个维度上的位置，用于作图的数据。对PC1和PC2作散点图，则PC1为x轴，PC2为y轴。

2、pcoa_rotation.txt：记录了对各主成分的贡献度。

3、pcoa_importance.txt：记录了各维度解释结果的百分比。如果PC1值为50%，则表示PC1的差异可以解释全面分析结果的50%。

4、pcoa_plot.pdf: PCoA分析图

示例：

PCoA分析图(不提供分组文件)。

PCoA分析图(提供分组文件)。不同分组的样品以不同的颜色标识。

注：不同颜色或形状的点代表不同分组情况下的样品(由分组信息表提供)。横、纵坐标轴的刻度是相对距离，无实际意义。PC1、PC2分别代表对于两组样本基因表达模式的可能影响因素，需要结合样本特征信息归纳总结，例如A组(红色)和B组(蓝色)样本在PC2轴的方向上分离开来，则可分析为PC2是导致A组和B组分开的因素(可以是两种不同的处理或两个不同的品种)，同时验证了这个因素有较高的可能性影响了基因的表达模式。

分析模块引用R语言(v3.2.1)中的PCoA统计和分析函数进行数据运算和做图。