PCA 投影与特征值（Principal Component Analysis）绘图工具
PCA 投影与特征值（Principal Component Analysis）绘图工具pca · Trajectory Dynamics
概述
主成分分析（PCA）把 Cα 协方差矩阵对角化，找出方差最大的几个集体运动方向：前几本征向量（PC1/PC2…）通常捕获 50–80% 的构象变化，是“域间铰链开合、盖子翻转”这类功能运动的数学像。投影曲线（构象在 PC 上的坐标随时间）展示运动何时发生、周期多长；特征值谱（scree 图）则给出各主成分的方差贡献与有效自由度数。
本工具自动识别两种输入：gmx anaeig -proj 的投影 .xvg（时间 + 各 PC 坐标）按时间曲线绘制；gmx covar 的特征值 .xvg 按 scree 瀑布图 + 累积方差曲线绘制（可调显示前 N 个与累积开关）。与 MDAnalysis PCA 模块输出同构，分析口径可直接对照。
输入数据格式
| 格式 | 说明 |
|---|---|
| 投影 .xvg | gmx anaeig -proj 输出：时间 + PC1..PCn 坐标（自动识别） |
| 特征值 .xvg | gmx covar 输出：特征值 + 累积方差（自动识别） |
| 兼容格式 | .xvg / .txt / .csv / .zip |
结果解读
投影曲线的三种典型形态对应三种运动学：围绕均值的小幅高频震荡（局部抖动）、缓慢单向上色（构象转变，如 inactive→active）、大幅双态往返（开合/翻转的往复运动）。PC1 幅度远大于 PC2 且两者频率解耦，是“单一主导功能运动”的标志；多 PC 同量级耦合则提示扩散式探索。
scree 图的“肘部”位置给出主导运动维数：前 2–5 个特征值陡降后进入平台（接近平的热噪声）是正常蛋白；特征值谱缓慢衰减（无肘）说明运动弥散、采样可能不足。累积方差曲线到 80% 所需的 PC 数是报告采样充分性的常用指标。
使用步骤
gmx covar（Cα 拟合后）得协方差与特征值；gmx anaeig -proj得投影。- 拖入任一 .xvg，工具自动识别投影/特征值模式。
- 特征值模式下调整显示前 N 个与累积方差曲线。
- 导出 600 dpi PNG / 矢量 PDF。
所有解析与渲染均在浏览器本地完成：上传入口就是文件选择器本身，数据不经过任何服务器， 断网环境同样可用。可以先用本页工作台的“一键载入示例数据”体验全流程，再换自己的模拟输出。
常见问题
PCA 前必须做 RMS 拟合吗？
是。先对参考结构叠合（gmx rms 或 covar 的 -fit 选项）去除整体平移旋转，否则最大“主成分”会是整体漂移而非内部运动。惯例用 Cα 拟合 + Cα 协方差。
投影曲线幅度（PC 坐标）的单位是什么？
nm（协方差矩阵特征向量是位移方向，投影即沿该方向的位移量）。幅度大小应与该特征值平方根（√λ ≈ σ）一致——0.5 nm 量级的 PC1 幅度对应典型的域级开合运动。
多少个主成分够用？
看目的：FEL 可视化常用前 2 个（配合 gmx sham）；描述总体运动报告“前 10 个 PC 覆盖 X% 方差”。覆盖率不是越多越好——到 80% 即可，其后接近热噪声。
