主成分分析(PCA)是一种广泛使用的统计方法，它使用正交变换将一组看似相关的变量的观测值转换为一组称为主成分的线性不相关变量的值。这是一种无监督的统计分析方法，可能是代谢组学研究中最广泛使用的统计工具。PCA主要用于探索性数据分析和建立预测模型。

主成分分析(PCA)通过将数据投影到降维子空间，将高维数据转换为低维数据，同时尽可能保留与原始数据的差异。主成分的数目等于或小于初始变量的数目。这种转换的定义方式是:第一个主成分具有最大可能的方差，而每个后续的成分依次具有最大可能的方差，前提是它与前一个成分正交。这个过程不断重复，直到数据集可以在更少的维度(通常是二维或三维)内显示。这便于在主成分空间使用分数图对这些分布样本进行可视化检查。得分图中样本间的欧氏距离表示个体间代谢物分布的系统变异程度，加载图显示个体代谢物对各PC的贡献。得到的向量是一个不相关的正交基集。在发展更有效的数据分析，如模式识别，分类或聚类，大多数代谢组学研究使用PCA方法作为第一个探索性步骤。

如何下订单:

*如果您的机构要求签署保密协议，请通过电子邮件与我们联系