用前必读
1,输入数据格式(标题、行、列)必需与示例一致,请仔细看右侧说明和示例,标能缺,不能有中文,特殊符号等
2,推荐使用excel调整数据(wps不行),然后拷贝粘贴到输入框
3,修改文字字体,图例位置,处理文字截断等图片编辑,请参考inkscape实操
4,更多干货,请右下扫码,关注”微生信“公众号或加群讨论!
注意:1,不要用微信打开,用浏览器,推荐edge或chrome!
2,没有预览就是作图失败,请检查输入数据格式!
3,智能客服  人工客服  基因名转换  在线svg编辑器  FC,P转换  常用配色  影响因子查询

必需输入
绘图数据:


可选输入:
图片宽:
图片高:
轴说明文字大小:
样品名文字大小:
点大小:

X轴最小值:
X轴最大值:
Y轴最小值:
Y轴最大值:

默认可自定义4种颜色,超过4种用系统默认
颜色1:
颜色2:
颜色3:
颜色4:

是否标注样品名字?
标注 不标注
代码调试中,勿用!

主成分分析(PCoA)


简介
主坐标分析(Principal Coordinates Analysis,PCoA),即经典多维标度(Classical multidimensional scaling),用于研究数据间的相似性。PCoA与PCA都是降低数据维度的方法,但是差异在在于PCA是基于原始矩阵,而PCoA是基于通过原始矩阵计算出的距离矩阵。因此,PCA是尽力保留数据中的变异让点的位置不改动,而PCoA是尽力保证原本的距离关系不发生改变。 数据说明 矩阵形式,第一行为组名,第二行为样品名,其余行为数据
生物医学常见应用 基因表达的PCoA
输入
group	A	A	A	B	B	B
sample	A1	A2	A3	B1	B2	B3
gene1	4.14 	3.75 	1.90 	0.55 	1.87 	5.12
gene2	4.19 	5.12 	2.35 	3.08 	1.22 	2.80
gene3	4.29 	2.80 	3.21 	0.95 	1.22 	2.80
gene4	5.84 	2.80 	4.01 	0.95 	4.96 	1.83
gene5	4.58 	3.11 	3.40 	1.51 	3.74 	1.19
gene6	6.10 	4.51 	4.96 	1.73 	5.84 	3.31
gene7	3.91 	3.19 	3.74 	2.91 	2.35 	1.19
gene8	7.53 	7.10 	5.84 	5.03 	2.66 	4.59
gene9	2.75 	1.39 	2.35 	1.73 	1.22 	2.89
gene10	3.85 	3.43 	2.97 	0.95 	1.22 	1.83
gene11	3.49 	3.81 	1.25 	1.92 	1.22 	1.25
gene12	3.97 	4.24 	3.88 	3.43 	2.66 	3.88
gene13	6.50 	3.87 	5.61 	3.43 	3.96 	5.61
gene14	5.99 	4.16 	5.02 	1.51 	1.87 	2.27
gene15	1.19 	3.57 	2.35 	0.55 	1.87 	1.19
gene16	1.54 	3.28 	4.01 	2.50 	1.22 	1.19
输出

1)如何作图?
1,准备作图数据;2,用excel打开数据,调整为示例格式;3,将调整后的数据粘贴到输入框;4,选择参数;5,提交出图

2)为什么不出图?
程序对输入格式有严格要求。请务必仔细查看右侧说明及示例数据

3)如何引用?
640+篇google学术,490+篇知网学术引用
请使用原生R包,Python包进行引用,或使用如下格式(推荐直接写网址)
Heatmap was plotted by https://www.bioinformatics.com.cn (last accessed on 30 July 2022), a free online platform for data analysis and visualization.

4)交流群/公众号