相关性系数图做成这样就一定是生物学重复不好么？| 云平台

MID YEAR SUMMARY

“联川书籍”火热销售中，《单细胞测序研究一本通2.0》新鲜出炉，

详情请戳：小伙伴们！《单细胞测序研究一本通2.0》新书发售~

扫描上方二维码，看更多书籍↑

悄咪咪告诉你，参与下方活动即可获得哦

疯狂7月，您点单，我开发还有礼品拿。

联川书籍免费领，7月限定！

详情请戳：“疯狂7月”活动：你提交，我开发 | 云平台

云工具：fasta序列提取 https://www.omicstudio.cn/tool/77

中奖用户：微信号pancc19*

云工具：mantel相关性分析 https://www.omicstudio.cn/tool/62

中奖用户：微信号chenhan-_-*

云工具：表格ID信息去重 https://www.omicstudio.cn/tool/79

中奖用户：153****7963

云工具：表格信息提取   https://www.omicstudio.cn/tool/78

中奖用户：180****1798

请中奖用户在后台留言您想要的书籍，地址和联系方式，记得速速联系小编哦！

活动名额有限（仅剩16个送书名额），赶紧来开发你的专属云工具吧~

活动持续火热进行中，20个云工具已经开发到第4个咯~

一起来期待第五弹吧，酷暑夏日和联川来一次超级联动吧~~

对于高通量测序分析，我们通常需要在进入下游分析之前对样本的生物学重复性进行判定。

理想的聚类效果如下图，组内相关性较高，组间相关性较低：

然而，如果我们做出了如下效果，就真的说明生物学重复不好，无法进入下游分析了么？

其实并不一定，相关性系数图虽然是一个实用的判断标准，但是我们也不可盲从。适用场景和分析参数往往对于生信分析的结果影响很大。

常见的相关性分析算法有Pearson和Spearman，前者是有参检验，后者是无参检验。简单来说，Pearson适合正态分布，检测效果更灵敏，Spearman虽然灵敏度较低，但是适用范围更广，允许数据不符合正态分布。

我们来看下这张图的Spearman算法结果：如下图，聚类效果非常好，组内和组间界限清晰，且无明显偏离的样本。

---

实操演练

获取示例数据：https://www.omicstudio.cn/doc/1161

云工具地址：https://www.omicstudio.cn/tool/15

---

参考文献

Becker, R. A., Chambers, J. M. and Wilks, A. R. (1988). The New S Language. Wadsworth & Brooks/Cole.

Kendall, M. G. (1938). A new measure of rank correlation, Biometrika, 30, 81–93. doi: 10.1093/biomet/30.1-2.81.

Kendall, M. G. (1945). The treatment of ties in rank problems. Biometrika, 33 239–251. doi: 10.1093/biomet/33.3.239

相关阅读

点击下方图片进入云平台资料汇总：

所见即所得，figure有bi格

联川云平台，让科研更自由