PCoA（Principal Coordinate Analysis，主坐标分析），也称为经典多维尺度分析（Classical Multidimensional Scaling, CMDS），是一种基于距离矩阵的降维方法，旨在将样本间的复杂距离关系（如生态差异、基因表达差异等）转换为低维空间中的可视化坐标，从而揭示数据中的隐藏结构或分组模式。
分析目的：
可视化样本间的相似性/差异性：通过二维或三维散点图展示样本间距离的相似性，直观反映组内相似性和组间差异性；
支持任意距离度量：与PCA（仅适用于欧氏距离）不同，PCoA可处理非欧氏距离（如Bray-Curtis、UniFrac），适合分析物种丰度数据（含大量零值）和存在非线性关系的复杂数据；
识别关键驱动因素：结合环境因子或实验变量，通过矢量拟合（envfit）或相关性分析，揭示影响样本分布的主要变量；
数据探索与质量控制：检测离群样本或技术批次效应（如实验操作导致的样本聚集）。
这里给大家推荐一个在线分析平台【掌上生信绘图平台】，无需编写代码，只需要上传文件即可一键分析并自动绘图，为您节约宝贵的时间成本。
PCoA图
结果表
绘图参数
结果图片还可以使用绘图参数自由修改
任务列表
如果分析结果不满意，可以修改参数重新提交分析，所有任务独立记录，可自由切换查看结果
