JAL-1961 added link to GFF3 format as well as GFF2
[jalview.git] / help / html / calculations / pca.html
1 <html>
2 <!--
3  * Jalview - A Sequence Alignment Editor and Viewer ($$Version-Rel$$)
4  * Copyright (C) $$Year-Rel$$ The Jalview Authors
5  * 
6  * This file is part of Jalview.
7  * 
8  * Jalview is free software: you can redistribute it and/or
9  * modify it under the terms of the GNU General Public License 
10  * as published by the Free Software Foundation, either version 3
11  * of the License, or (at your option) any later version.
12  *  
13  * Jalview is distributed in the hope that it will be useful, but 
14  * WITHOUT ANY WARRANTY; without even the implied warranty 
15  * of MERCHANTABILITY or FITNESS FOR A PARTICULAR 
16  * PURPOSE.  See the GNU General Public License for more details.
17  * 
18  * You should have received a copy of the GNU General Public License
19  * along with Jalview.  If not, see <http://www.gnu.org/licenses/>.
20  * The Jalview Authors are detailed in the 'AUTHORS' file.
21  -->
22 <head>
23 <title>Principal Component Analysis</title>
24 </head>
25 <body>
26   <p>
27     <strong>Principal Component Analysis</strong>
28   </p>
29   <p>This calculation creates a spatial representation of the
30     similarities within a selected group, or all of the sequences in an
31     alignment. After the calculation finishes, a 3D viewer displays the
32     set of sequences as points in 'similarity space', and similar
33     sequences tend to lie near each other in the space.</p>
34   <p>
35     <em>Caveats</em><br />The calculation is computationally expensive,
36     and may fail for very large sets of sequences - usually because the
37     JVM has run out of memory. A future release of Jalview will be able
38     to avoid this by executing the calculation via a web service.
39   </p>
40
41   <p>
42     <strong>About PCA</strong>
43   </p>
44   <p>Principal components analysis is a technique for examining the
45     structure of complex data sets. The components are a set of
46     dimensions formed from the measured values in the data set, and the
47     principal component is the one with the greatest magnitude, or
48     length. The sets of measurements that differ the most should lie at
49     either end of this principal axis, and the other axes correspond to
50     less extreme patterns of variation in the data set.</p>
51
52   <p>
53     <em>Calculating PCAs for aligned sequences</em><br />Jalview can
54     perform PCA analysis on both proteins and nucleotide sequence
55     alignments. In both cases, components are generated by an
56     eigenvector decomposition of the matrix formed from the sum of
57     substitution matrix scores at each aligned position between each
58     pair of sequences - computed with one of the available score
59     matrices, such as <a href="scorematrices.html#blosum62">BLOSUM62</a>,
60     <a href="scorematrices.html#pam250">PAM250</a>, or the <a
61       href="scorematrices.html#simplenucleotide">simple single
62       nucleotide substitution matrix</a>. The options available for
63     calculation are given in the <strong><em>Change
64         Parameters</em></strong> menu.
65   </p>
66   <p>
67     <em>PCA Calculation modes</em><br /> The default Jalview
68     calculation mode (indicated when <em><strong>Jalview
69         PCA Calculation</strong></em> is ticked in the <strong><em>Change
70         Parameters</em></strong> menu) is to perform a PCA on a matrix where elements
71     in the upper diagonal give the sum of scores for mutating in one
72     direction, and the lower diagonal is the sum of scores for mutating
73     in the other. For protein substitution models like BLOSUM62, this
74     gives an asymmetric matrix, and a different PCA to a matrix produced
75     with the method described in the paper by G. Casari, C. Sander and
76     A. Valencia. Structural Biology volume 2, no. 2, February 1995 (<a
77       href="http://www.ncbi.nlm.nih.gov/entrez/query.fcgi?cmd=Retrieve&db=pubmed&dopt=Abstract&list_uids=7749921">pubmed</a>)
78     and implemented at the SeqSpace server at the EBI. This method
79     preconditions the matrix by multiplying it with its transpose, and
80     can be employed in the PCA viewer by unchecking the <strong><em>Jalview
81         PCA Calculation</em></strong> option in the <strong><em>Change
82         Parameters</em></strong> menu.
83   </p>
84   <img src="pcaviewer.gif">
85   <p>
86     <strong>The PCA Viewer</strong>
87   </p>
88   <p>This is an interactive display of the sequences positioned
89     within the similarity space, as points in a rotateable 3D
90     scatterplot. The colour of each sequence point is the same as the
91     sequence group colours, white if no colour has been defined for the
92     sequence, and green if the sequence is part of a the currently
93     selected group.</p>
94   <p>
95     The 3d view can be rotated by dragging the mouse with the <strong>left
96       mouse button</strong> pressed. The view can also be zoomed in and out with
97     the up and down <strong>arrow keys</strong> (and the roll bar of the
98     mouse if present). Labels will be shown for each sequence if the
99     entry in the View menu is checked, and the plot background colour
100     changed from the View&#8594;Background Colour.. dialog box. The File
101     menu allows the view to be saved (<strong>File&#8594;Save</strong>
102     submenu) as an EPS or PNG image or printed, and the original
103     alignment data and matrix resulting from its PCA analysis to be
104     retrieved. The coordinates for the whole PCA space, or just the
105     current view may also be exported as CSV files for visualization in
106     another program or further analysis.
107   <p>
108   <p>Options for coordinates export are:</p>
109   <ul>
110     <li>Output Values - complete dump of analysis (TxT* matrix
111       computed from sum of scores for all pairs of aligned residues from
112       from i->j and j->i, conditioned matrix to be diagonalised,
113       tridiagonal form, major eigenvalues found)</li>
114     <li>Output Points - The eigenvector matrix - rows correspond to
115       sequences, columns correspond to each dimension in the PCA</li>
116     <li>Transformed Points - The 3D coordinates for each sequence
117       as shown in the PCA plot</li>
118   </ul>
119
120   <p>
121     A tool tip gives the sequence ID corresponding to a point in the
122     space, and clicking a point toggles the selection of the
123     corresponding sequence in the associated alignment window views.
124     <!-- Rectangular region
125 based selection is also possible, by holding the 'S' key whilst
126 left-clicking and dragging the mouse over the display. -->
127     By default, points are only associated with the alignment view from
128     which the PCA was calculated, but this may be changed via the <strong>View&#8594;Associate
129       Nodes</strong> sub-menu.
130   </p>
131   <p>
132     Initially, the display shows the first three components of the
133     similarity space, but any eigenvector can be used by changing the
134     selected dimension for the x, y, or z axis through each ones menu
135     located below the 3d display. The <strong><em>Reset</em></strong>
136     button will reset axis and rotation settings to their defaults.
137   </p>
138   <p>
139   <p>
140     <em>The output of points and transformed point coordinates was
141       added to the Jalview desktop in v2.7.</em> <em>The Reset button
142       and Change Parameters menu were added in Jalview 2.8.</em> <em>Support
143       for PAM250 based PCA was added in Jalview 2.8.1.</em>
144 </body>
145 </html>