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:
变量文字大小:
X轴最小值:
X轴最大值:
Y轴最小值:
Y轴最大值:

是否绘制椭圆(椭圆代表分组按默认68%的置信区间加的核心区域
注意:若有分组仅包含2个样品,则不能画椭圆)
绘制 不绘制
是否绘制相关环(即圆,代表相关性)
绘制 不绘制

主成分分析(PCA)


简介
主成分分析(Principal components analysis,PCA)利用正交变换对一系列可能相关的变量的观测值进行线性变换,从而投影为一系列线性不相关变量的值,这些不相关变量称为主成分(Principal Components)。PCA是最简单的以特征量分析多元统计分布的方法。通常情况下,这种运算可以被看作是揭露数据的内部结构,从而更好的解释数据的变量的方法。
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。图中坐标轴PC1和PC2为第一、第二主成分(即潜在变量对差异的解释率);点代表样品,不同颜色表示不同分组; 椭圆代表分组按默认68%的置信区间加的核心区域,便于观察组间是否分开;箭头代表原始变量,其方向代表原始变量与主成分的相关性,长度代表原始数据对主成分的贡献度
生物医学常见应用 基因表达的PCA。参考:https://github.com/vqv/ggbiplot
输入 示例数据
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