学会了这种作图方式，我再也没有被嫌弃过

在这三篇文章中，大部分图都是比较平平无奇的WB和ELISA图，但是也不乏有清新脱俗的图，比如文章中出现的主成分分析图以及热图。

主成分分析图（PCA）

热图

这些图片一出现，是不是让你眼前一亮，有种高大上的感觉，今天笔者就给大家讲讲如何做这些精美的图片。无需R语言，这些图可以用一个在线可视化网站实现，这个网站就是clustvis，网址为https://biit.cs./clustvis/。

在讲述如何作图之前，先给大家说说PCA（主成分分析）的含义，通过名称大家应该能够猜出来，就是对样本中主要成分进行分析，是一种重要的降维处理方法。

怎么理解呢，这里举一个不是十分恰当的例子，比如你有10个样本，想通过质谱鉴定出他们的差别，如果你每个样本只检测一个具体的蛋白，结果很容易在一维图上展现出来，但是如果你每个样本检测了100个蛋白，就相当于100维度，这是无法使用图像清晰展现出来的，这个时候我们就需要利用PCA分析进行降维，如果降至2个维度，我们就能用图像展示出来。在这个过程中，需要对测定的100个蛋白进行定量处理，在这10个样本中，有的蛋白变化很大，有的则很小，通过PCA降维就能够突出蛋白变化较大的样本。

下面开始讲述如何用该网站进行可视化PCA分析。

进入该网站，在首页，我们可以看到该网站呈现出来的热图和PCA分析图。

点击data import，在左上方的Choose data input type栏目中，有几种不同数据导入方式，可以直接上传数据，也可以直接导入从ArrayExpress数据库获得的公共数据，在这里我们选择网址提供的样本数据，随后在Choose dataset栏目中选择鸢尾花的数据集（Iris flowers）。可以看到该数据集提供150个样本，每个样本中又检测了花瓣的长和宽以及花萼的长和宽。

待网页刷新后，选择数据预处理界面（date pre-processing），在页面的左端，有不同的处理方式。

Transformation：是否需要对数据进行转换，如果数据差异很大，可以进行转换，在这里笔者选择默认的no transformation；

Column annotation groups tokeep：是否需要保留注释，这里选择保留所有注释；

Collapse columns withsimilar annotations：折叠具有相似注释的列，这里选择不折叠；

Maximum percentage of NAs：行或者列允许NAs的最大百分百，这里保存默认值；

Row scaling和PCA method分别为行距和PCA分析方法。

各项条件选择完毕后，点击PCA栏目，待网页自动刷新后即可获得主成分分析图。

在这个页面左上方中，可以对数据的颜色，形状和标签进行修改，以便获得更加美观的图片；在页面的正上方，可以对获得的PCA分析图片进行下载。

PCA分析完成后，可以接着获得热图，点击Heatmap，待网页刷新后，获得以下热图分析。

同样能够调整热图的颜色的标签，也能够下载不同格式的图片，直接用于文章中。

学会了吗，热爱科研的同行们，有了清新脱俗的主成分分析图和热图，文章的档次还会低吗!