PCoA（Principal Co-ordinates Analysis，主坐標分析）是一種研究數據相似性或差異性的可視化方法，它通過特徵值和特徵向量的排序來找到距離矩陣中最主要的坐標。PCoA的結果是數據矩陣的一個旋轉，沒有改變樣品點之間的相互位置關係，只是改變了坐標系統。這種方法可以用於觀察個體或群體間的差異。
PCoA與PCA（Principal Component Analysis，主成分分析）的區別在於，PCA是基於原始的物種組成矩陣進行分析，使用的是歐式距離，主要比較物種豐度的不同。而PCoA首先根據不同的距離算法計算樣品之間的距離，然後對距離矩陣進行處理，實現定性數據的定量轉換。
PCoA的套用範圍廣泛，包括但不限於：
微生物分析領域，用於研究樣本群落組成的相似性或相異性。
多元統計方法，將高維的微生物群落數據轉化為二維或三維的坐標，以便觀察樣本之間的差異和相似性。
檢查不同採樣位置的物種組成之間的不相似性。
研究不同組織類型中基因表達模式的變化。
評估環境變數對微生物群落結構的影響。
降低高維微生物群落數據的維度，以便在二維或三維空間中可視化樣本的分離情況。
探討宿主遺傳學與腸道微生物組成之間的關係。
分析不同時間點採集的微生物樣本之間的差異。
探究不同地理區域中水樣本中微生物群落的差異。
總的來說，PCoA是一種非約束性的數據降維分析方法，能夠展示不同物種水平、功能水平以及基因水平上樣本間的差異。通過PCoA分析，我們可以更好地理解數據背後的模式和結構，從而做出更有效的決策。