做微生物多样性研究时，大家是不是经常会遇到RDA分析、CCA分析、PCA分析、PCoA分析呀？我们知道它们对物种（基因或功能）的分析具有重要的作用。但是你知道它们代表什么意思？在什么情况下用什么分析吗？

　　近期小编将把这一堆的分析给大家逐个讲解，今天咱们首先从RDA分析入手！

　　（其实上面所提到的分析，本质上都属于排序分析。排序就是在一个可视化的低维空间(通常是二维)重新排列这些样方，使得样方之间的距离最大程度地反映出平面散点图内样方之间的关系信息。）

　　RDA分析其实是小名，它的中文名叫冗余分析，还有个洋气的英文名叫Redundancy Analysis，RDA分析可以将样本和环境因子反映在同一个二维排序图上，从图中可以直观地看出样本分布和环境因子间的关系。

比如下面这张由微基自己完成的图

小编和大家一起来“破解”这张RDA图

（1）在这个图中，箭头表示环境因子。

（2）箭头连线的长度表示该环境因子与样本分布间相关程度的大小，连线越长，相关性越大，反之越小。

（3）箭头连线和排序轴的夹角以及箭头连线之间的夹角表示相关性，锐角表示成正相关关系，钝角则表示成反相关关系。夹角越小，相关性越高。

（4）箭头所指方向表示群落分析指标或环境因子的变化趋势。

　　其实从RDA报告中，还可以看出所有环境因子或某个环境因子对样本的影响，不过由于分析报告“太琐碎”，通常在文献中不会出现，如下图在这个报告中，红色标注内表示所有环境因子对样本变化的整体解释量，绿色标注内则分别表示3个轴具体的解释量。

那怎么看某个环境因子对所有样本的影响呢？这里小编再给大家举个例子

　　在图3中，将变量射线延长，样本垂直投影于射线上，沿着变量箭头方向，环境变量值增大。图中样本Sa3和Sa4所对应的环境变量A值近似相等，A对所有样本影响的大小排序为：Sa1>Sa4≈Sa3>Sa2>Sa5

　　看到这里是不是觉得RDA分析图很强大？！想不想自己动手操作一下？！小编悄悄的告诉你RDA分析图可以用许多软件做，如CANNOCO、R语言的Vegan。

　　另外小编再告诉大家一个秘籍，在做RDA分析时，环境因子的个数要小于物种的个数，否则软件会“罢工”！

（转载请注明出处）

　　如果您对微生态研究方法有比较感兴趣的话题和生物信息学相关兴趣，欢迎联系我们，对于反馈较多的问题，我们将优先推出相关内容和问题解答。您可以关注我们的微信号，给我们发微信或电子邮件：

support@tinygene.com

期待您的来电：400-660-9270

生物信息分析之RDA分析_微基生物，首发于微基生物。

基于OTU进行RDA /CCA分析

基于物种信息进行RDA /CCA分析

　　注：图中数字表示样品名，不同颜色或形状表示不同环境或条件下的样本组；箭头表示环境因子；图中蓝色上三角表示不同属的细菌；物种与环境因子之间的夹角代表物种与环境因子间的正、负相关关系（锐角：正相关；钝角：负相关；直角：无相关性）；由不同的样本向各环境因子做垂线，投影点越相近说明样本间该环境因子属性值越相似，即环境因子对样品的影响程度相当。

RDA/CCA分析，首发于微基生物。

RDA分析，即冗余分析，对比主成分分析可以发现，其实冗余分析就是约束化的主成分分析。PCA和RDA的目的都是寻找新的变量来代替原来变量，它们主要区别在于后者样方在排序图中的坐标是环境因子的线性组合。它的优点就是考虑了环境因子对样方的影响，因为有些时候我们想得到在某些特定条件限制下（如海拔高度，PH值，酸碱度，疾病组与健康组等）物种的分布。可以得到哪些物种受特定的环境因子影响。可以得到如某些植被是受海拔高度影响，某些菌受PH值或酸碱度的影响等。

对数据的准备，需要两个矩阵，一个数据矩阵，一个环境矩阵，数据矩阵和pca准备数据相同，环境矩阵形式如下，如果有不能量化的环境因子（如性别，疾病与健康等）联系我们，来量化您的数据。

对数据的要求，样方的个数必须大于环境因子的个数。

RDA分析(Redundancy analysis)，首发于微基生物。