要了解目的分組是否與某種因素存在聯絡，我們常常會用到PCA、PCoA等排序方法。

因此相比於PCA，PCoA以樣本距離為整體考慮，更符合生態學資料特徵，應用也更為廣泛。

雖然一般的16S或者巨集基因組等分析流程當中都會包含PCoA分析，但如果自己想要更改分組的形狀，或者挑選特定的OTU進行分析，那麼自己進行操作會高效很多。
PCoA的作圖主要分為三個步驟：


選擇特定的相似性距離並計算距離矩陣。距離的選擇可以有Bray-curits、Unifrac等，不同的距離有不同的作用和意義（具體可以參考 微生物β多樣性常用計算方法比較）。相似性距離可以利用R的GUniFrac和vegan等包計算，也可以利用QIIME計算。
進行PCoA分析，也就是利用表徵分析選擇最能表示樣本距離的座標軸。這個可以利用R的ape包的pcoa（）命令完成。
PCoA圖形展示。圖形可以用ordiplot（）命令展示，但如果需要比較美觀的圖形，建議用ggplot來畫。

下面我們以R為基礎，展示如何根據Unweighted Unifrac距離來畫PCoA圖：

otu_table

tree檔案包括以下值（value）

edge.length

tip.label

Nnode

edge

###匯入需要的R包
library(GUniFrac) #用於計算Unifrac距離
library(ape) # 用於pcoa分析
library(ggplot2) #用於畫圖

##讀檔案
Otu_tab <- read.table("otu_table",row.names=1,header=T,sep="\t",check.names=FALSE)
Tree    <- read.tree("Muscle.align.tree.nhx") #輸入OTU表格
Otu_tab <- as.data.frame(t(Otu_tab))
Otu_tab_rff <- Rarefy(Otu_tab)$otu.tab.rff
unifracs <- GUniFrac(Otu_tab_rff,Tree,alpha=c(0, 0.5, 1))
du <- unifracs$unifracs[, , "d_UW"] # 計算Unweighted UniFrac距離
Group <- c('A','B','C') #按照目的輸入樣本
shape <- c("A" =16,"B" =17,"C" =16) #定義點形狀
color <- c("A" ='#CCFF33',"B" ='#CCFF33',"C" ='#CCFF33') #定義點顏色
PCOA <- pcoa(du, correction="none", rn=NULL) #利用PCOA()指令做pcoa分析
result <-PCOA$values[,"Relative_eig"]
pro1 = as.numeric(sprintf("%.3f",result[1]))*100
pro2 = as.numeric(sprintf("%.3f",result[2]))*100
x = PCOA$vectors
sample_names = rownames(x)
pc = as.data.frame(PCOA$vectors)
pc$names = sample_names
legend_title = ""
group = Group
pc$group = group
xlab=paste("PCOA1(",pro1,"%)",sep="") 
ylab=paste("PCOA2(",pro2,"%)",sep="")
pca=ggplot(pc,aes(Axis.1,Axis.2)) + #用ggplot作圖
  geom_point(size=3,aes(color=group,shape=group)) + 
#  geom_text(aes(label=names),size=4,vjust=-1) +
  labs(x=xlab,y=ylab,title="PCOA",color=legend_title,shape=legend_title) + 
  geom_hline(yintercept=0,linetype=4,color="grey") + 
  geom_vline(xintercept=0,linetype=4,color="grey") + 
  scale_shape_manual(values=shape) +
  scale_color_manual(values=color) +
  theme_bw()