跳到正文
百沐一下百沐一下
登录
本节目录

PCA 得分图怎么画怎么读

跟完这篇，您能把一张表达矩阵压成一张主成分得分图，在坐标轴上标清每个主成分解释了多少方差，并且学会从这张图上读出三件事：样本按分组分没分开、有没有离群样本、是不是被批次效应带偏了。

PCA 得分图（PCA score plot）是拿到表达矩阵后最先该画的一张图。它把成千上万个基因浓缩成两个坐标，一眼就能看出「样本之间整体像不像、按什么分开」。它不需要您先设定分组，因此谁和谁聚在一起是数据自己说的话——这正是它做质控、找问题最有用的地方。

先弄明白：PCA 在做什么

每个样本原本住在一个「几万维」的空间里——一个基因就是一维，坐标就是这个基因的表达量。这没法画，也没法看。PCA（主成分分析）做的事，是换一套新坐标轴：新轴是一批基因的线性组合，并且按「能解释多少差异」从大到小排好序。

  • 第一主成分（PC1）：所有样本在这个方向上散得最开，抓住了数据里最大的一份变异。
  • 第二主成分（PC2）：在与 PC1 垂直的前提下，抓住剩下变异里最大的一份。
  • 后面的 PC3、PC4……依此类推，越往后解释的方差越少。

得分图，就是把每个样本投影到 PC1、PC2 这两根新轴上画成散点。每个点是一个样本（注意：不是基因，这点和火山图、热图正好相反）。

术语是什么
主成分（PC）一批基因的线性组合，构成新坐标轴
得分（score）某个样本在某个主成分上的坐标，即图上的点
载荷（loading）每个基因对某个主成分的贡献权重
方差解释率该主成分抓住了整体变异的百分之几

一句话记住：PC1、PC2 是数据自己找出的「差异最大的两个方向」，得分图就是样本在这两个方向上的位置。

画之前：准备一张合适的矩阵

同一批数据，喂进去的值不对，画出来的图能完全误导人。三个前提：

  1. 用归一化、转换后的表达值，别用原始 counts。 直接拿 raw counts 画，PC1 往往只反映「文库大小」——测得深的样本天然被推到一边，压根不是生物学差异。转录组的标准做法是先做方差稳定转换：DESeq2 的 vst() 或 rlog()，或退一步用 log2(TPM+1)。为什么必须转换、各单位怎么选，见 count / TPM / FPKM / CPM 该用哪个。
  2. 常只取变化最大的一批基因。 几万个基因里，大多数在样本间几乎不变，只是噪声。习惯上先挑方差最大的前若干个（如 top 500～2000）再做 PCA，让信号更干净。这是常用惯例，数目按数据调，不是铁律——DESeq2 内置的 plotPCA() 默认就取 top 500。
  3. 要不要 scale（把每个基因标准化到单位方差）？ 居中（center）几乎总要做，prcomp 默认就做了。是否再 scale 看情况：转录组沿用 DESeq2 的惯例通常不额外 scale，让高变基因多出点力；若您的变量量纲差别很大（比如把不同类型的指标混在一起），才需要 scale 让它们等权。

prcomp 要求「样本在行、变量（基因）在列」，和表达矩阵「基因在行、样本在列」的常规摆法正好相反。所以下面代码里会先 t() 转置，这一步最容易漏，漏了图就全反了。

三步画出得分图

选高变基因 → 跑 prcomp → 取前两个主成分画散点。

library(ggplot2)

# mat：行 = 基因，列 = 样本，值是 vst / rlog 或 log2(TPM+1) 等转换后的表达量
# group：与 mat 各列一一对应的分组向量（如 c("Ctrl","Ctrl","Treat","Treat")）

# 一、只保留变化最大的 500 个基因（常用惯例，数目按数据调）
vars    <- apply(mat, 1, var)
top     <- names(sort(vars, decreasing = TRUE))[1:500]
mat_top <- mat[top, ]

# 二、跑 PCA：prcomp 要求「样本在行、变量在列」，所以先转置
pca <- prcomp(t(mat_top), center = TRUE, scale. = FALSE)

# 三、取前两个主成分的得分，拼上分组，画散点
scores <- data.frame(pca$x[, 1:2], group = group)

ggplot(scores, aes(PC1, PC2, color = group)) +
  geom_point(size = 3) +
  theme_bw()

pca$x 就是各样本在每个主成分上的得分，列名正是 PC1、PC2……直接拿来当坐标即可。到这一步图已经出来了，但还差最关键的一步——把坐标轴的分量标上去。

方差解释率：一定要标在坐标轴上

一张不标方差解释率的 PCA 图是残缺的。同样是「两组沿 PC1 分开」，PC1 解释 60% 和 PC1 只解释 3%，意义天差地别：前者说明分组是数据里最大的差异，后者说明这点分开其实微不足道。

方差解释率 = 该主成分的方差 ÷ 所有主成分方差之和：

# 每个主成分解释的方差比例（百分数）
percent <- pca$sdev^2 / sum(pca$sdev^2) * 100

# 拼进坐标轴标签，保留一位小数
xlab <- sprintf("PC1 (%.1f%%)", percent[1])
ylab <- sprintf("PC2 (%.1f%%)", percent[2])

ggplot(scores, aes(PC1, PC2, color = group)) +
  geom_point(size = 3) +
  labs(x = xlab, y = ylab, color = NULL) +
  theme_bw()

读这两个百分比：

  • 越高，这根轴越「重要」。 PC1 通常远大于 PC2，所以横向的分开比纵向更值得看重。
  • 两根轴加起来若只占很小一部分（比如 PC1+PC2 才 20%），说明主要结构没落在前两维，光看这张图会漏掉东西，可以再看看 PC3，或画一张碎石图（scree plot，把各 PC 的方差解释率从大到小排出来）判断该看几个主成分。

如果您用 DESeq2，plotPCA(vsd, intgroup = "condition") 一行就能出图，它默认取 top 500 高变基因、并把方差解释率写进坐标轴。想自己调样式，加 returnData = TRUE 拿到坐标数据，再用 ggplot 画。

怎么读：样本分组分没分开

这是 PCA 得分图最主要的用途。理想的图长这样：同组样本抱成一团，不同组沿着 PC1（或 PC2）明显分开。 这说明您关心的分组差异，正是整个数据里最大的变异来源——后续做差异分析心里就有底了。

因为 PCA 是无监督的（它画图时并不知道谁是处理、谁是对照），所以这种分开是「数据自己认的」，比先挑差异基因再聚类那种循环论证要可信得多。

得分图长什么样通常意味着
同组聚拢、组间沿 PC1 分开生物学差异是最大变异来源，最理想
要到 PC2 / PC3 才分开有更大的非目标变异（常是批次）压在前面
各组完全混在一起组间信号弱，或被噪声、批次淹没
一两个点孤零零飞在外圈离群样本，先查它的 QC

要留个心眼：分不开不等于实验失败。 有时候真实差异确实细腻、只涉及少数基因，在「抓最大变异」的 PCA 上就不显眼。这时别急着下结论，交给差异分析去逐个基因地找，见 DESeq2 差异表达分析怎么做对。反过来，也别只盯着 PC1、PC2——目标差异偶尔藏在 PC3 上。

揪出离群样本与批次效应

得分图的另一半价值，在于把「藏在数据里的毛病」摆到明面上。

离群样本

一个点远离所有样本、尤其是远离自己那一组，就值得怀疑。常见原因：文库质量差、样本弄混贴错标签、污染、建库或测序失败。

处理的分寸很重要：先查、后删，绝不能因为它「碍眼」就删。 回到这个样本的 QC 指标看——比对率、文库大小、检出基因数是不是异常；确认确实是技术问题，再决定剔除，并在文中如实说明。凭直觉删离群点，本质上是在挑数据。

批次效应

把同一张图按批次上色、按分组用形状重画一遍，两个因素一起看：

# batch：与样本一一对应的批次信息（测序批次 / 日期 / 试剂批号 / 操作者等）
ggplot(scores, aes(PC1, PC2, color = batch, shape = group)) +
  geom_point(size = 3) +
  theme_bw()

如果样本是按批次而不是按分组聚在一起——同一批的挨着、不管是处理还是对照——那就是典型的批次效应：技术上的批次差异盖过了您关心的生物学差异。怎么办：

  1. 建模时把批次放进设计公式，让统计模型替您扣掉它，比如 DESeq2 里写 design = ~ batch + condition。
  2. 或用 limma::removeBatchEffect()、sva::ComBat() 先校正，再画一次 PCA 确认批次结构是否被压下去。

一个设计阶段就要守住的红线：别让批次和分组完全混杂。 如果所有处理样本都在批次一、所有对照都在批次二，那批次差异和处理差异就彻底缠死了，事后任何方法都分不开。分组时把每个批次里的处理和对照打散安排，才留得住补救的余地。

顺带一提，PCA 不只用于转录组的批量样本。单细胞流程里，降维聚类之前也要先跑一次 PCA（Seurat 的 RunPCA），再据此选主成分做 UMAP 和聚类，思路一脉相承，见 单细胞分析全流程。

常见误区

误区后果怎么避免
拿原始 counts 直接画PC1 基本反映文库大小，不是生物学先做 vst / rlog 或 log2(x+1)
忘了转置矩阵把基因当样本、图完全读不对prcomp 前 t()，让样本在行
不标方差解释率读者不知道这点分开重不重要轴标签写上 (xx%)
只看 PC1 vs PC2目标差异可能藏在 PC3也看看 PC3，或画碎石图
把分不开当「实验失败」误删本可用的数据差异细腻时交给差异分析找
离群点碍眼就删等于挑数据，站不住脚先查 QC 找到原因再决定
批次与分组完全混杂批次与处理再也分不开设计阶段把批次打散

在平台上跑一遍

不想写 R 代码也能得到同样的图：在 百沐一下 上传您的表达矩阵和分组表，用一句话说清「画 PCA 得分图，按分组上色，坐标轴标出方差解释率，再按批次换个颜色看看有没有批次效应」，智能绘图就会替您选好高变基因、跑好 PCA 并出一张出版级图，连同可复现的 R 代码一起交付，配色和标注都能对话式再调。出图流程见 智能绘图使用指南。

相关