数据分析的一个样本问题：所有样本一起分析还是分组分别分析？

分析数据的时候发现一个问题，没有想的太明白，在此写出来，欢迎一起讨论。

假设有一批数据，50个样本，其中每十个样本为一组。

现在想做一个NMDS看一下组间差异。

# 构造一批样本和分组
sample = matrix(NA,nrow = 1000,ncol = 50)
for (i in 1:50){    
   sample[,i] = round(rnorm(1000,mean = 10*i,sd = 5*i),0)
}
sample = as.data.frame(sample)
colnames(sample) = paste("s",rep(1:50),sep="")
rownames(sample) = paste("OTU",rep(1:1000),sep="")

group = data.frame(s = paste("s",rep(1:50),sep=""),
                   g = c(rep("a",10),rep("b",10),
                         rep("c",10),rep("d",10),rep("e",10)))


### NMDS
bray.mds<-metaMDS(t(sample), distance="bray", k=2, trymax=100)

outbray = bray.mds$points
out.bra = outbray[,1:2]
stress.bra = bray.mds$stress
data.plot = cbind(out.bra,group) 

p1 = ggplot(data.plot,aes(MDS1,MDS2))+
    geom_point(aes(colour = g,shape = g),alpha=0.5,size = 3)+
    xlab("MDS1")+ylab("MDS2")+ labs(title = paste("NMDS\n","stress=",round(stress.bra,3),sep="\t"))+
    plot_theme + theme(plot.title=element_text(hjust=0.5))+
    stat_ellipse(aes(colour = g),level=0.95,linetype = 2,size=1.5);p1  

1. 50个样本我都需要，画出来的图如下图上半部分所示。

2. 如果我只需要分析前3组样本，这时候应该先选出前3组样本，然后做NMDS画图；还是先用所有样本做出来NMDS结果，再筛选前3组样本的结果画图？

这时候似乎前者比较合理，毕竟后20个样本用不到，为什么要一起做NMDS？

如果是前者，结果如图中左下所示；如果是后者，图形和上半部分相同，只是单独拿出前三组。

3. 如果50个样本我都需要，但是前3组样本需要一起比较；而后2组样本需要一起比较。这种情况其实非常常见，测了很多样本，包含多种分组方式，需要分别分析。

这时是先用50个样本做NMDS，然后结果中挑出前后两部分展示，这时图形仍和下图上半部分相同，只是拆成两半；还是先分别挑出两批样本，各自做NMDS各自画图，这时图形如下图下半部分所示。

我的问题是，对于NMDS这类的分析，降维的过程需要利用输入的所有样本。随着放入模型样本的不同，相同的数据之间的关系会发生变化。就如上图所示，模型的Stress值和样本间关系（置信区间）都发生了变化。

对于2的情况，因为存在没有用到的样本，因此先把用到的样本挑出来比较合理；

但是3的情况，因为所有样本都会被用到，我感觉两种做法似乎都有道理。拿全部样本一起做是考虑所有样本距离的条件下进行降维。然后不同组分别展示；而先拆分样本是只考虑这些要直接比较的样本之间的关系，但没有考虑整体样本之间的关系。这两种方法就好像是全局最优解和局部最优解的关系一样。

不仅仅是NMDS，其他β多样性分析，如PCA，DCA，PCoA，CCA等都会存在这样的问题。分析开始时输入的样本决定了最后组间的关系。

所以，应该用哪种方式分析数据呢？

这篇文章写好之后先发到了微信群里。大家的回答是用两种策略的都有。

在DESeq2中同样存在这样的问题：

https://www.bioconductor.org/packages/release/bioc/vignettes/DESeq2/inst/doc/DESeq2.html#if-i-have-multiple-groups-should-i-run-all-together-or-split-into-pairs-of-groups

作者建议全部样本一起做，再从结果中筛出自己需要的。

但是对于极端情况，如下图中C组内变异很强，导致A和B聚在一起。这时候如果想分析A和B，就可以将A和B的样本单独拿出来再分析。但是这种极端情况并不常见，因此作者还是建议全部样本一起做。

之前遇到一个问题一并记录一下：

有人拿CCA的结果用pCCA做方差分解和直接用varpart的结果做方差分解结果竟然不一样。最后发现是CCA模型用到的环境因子比较多，而用pCCA做方差分解时输入的环境因子少。由于CCA得到的解释度为总的解释度，会用于pCCA的方差分解中，这样的结果肯定是不对的。要保证CCA和pCCA环境因子完全一致。

而varpart不会存在这样的问题，可以直接使用。