首先是PCA分析，这个分析在很多文章中都比较常见，其表达的含义相对来说也比较简单。最常见的就是需要看重复样本是否很好的聚类到一起，组间样本有无明显的分开，同时分析有无超过置信区间的离群样本，这个也是剔除异常样本的依据。在PCA图中，如果样本之间聚集在一起，说明这些样本差异性小；反之样本之间距离越远，说明样本之间差异性越大。在云平台上做这个分析相对也比较简单，点击PCA分析后，SNP深度是SNP的reads支持数，合适的深度有利于筛选出可靠的SNP，必须为整数且在0~之间，默认为10。存在基因的比率默认即可。如果老师的样本不是太多，想在分析结果图中显示样本名称，在是否显示样品勾选即可。接下来进行样本分组，重复样本分成一组。分组完成后点击提交即可后台分析运行。
后台运行几分钟后，就可以得到常见的SCI论文中的PCA分析结果图。如下图。
系统进化树分析，一般这个分析主要适用于老师的样本属于不同的亚种或者品种，常见于比较转录组学的分析，老师研究的物种没有参考基因组，基于转录组水平上研究亚种或者品种间的进化关系。构树方法有贝叶斯法，邻接法，最大似然法。邻接法和最大似然法对应的样品数必须大于等于3，贝叶斯法样品数必须大于等于4。同一个群体，不同亚种层面的分析，推荐使用距离法；不同种或亲缘关系较远的材料，使用最大似然法；样本数较少，且对进化树精度要求很高的情况，推荐贝叶斯法。分析时间：距离法最大似然法贝叶斯法。其他SNP深度默认即可。
差异样本间SNP筛选，这个分析主要适用于样本间差异比较大的材料进行分析，对样品间同时检测到的碱基进行鉴定，筛选出差异SNP位点。老师可以基于此进行SNP标记的开发。当然，老师也可以针对目标基因或者染色体片段进行差异SNP位点的筛选。
在基因结构分析挖掘中，最常见的还是转录因子的预测分析。做完转录组测序分析之后，我们都会找到一些自己关心的差异表达基因进行转录因子预测，如果这些差异表达的基因中有转录因子，那么进一步还可以研究这些转录因子具体调控哪些基因的表达，即转录因子靶基因的预测。今天我们就给各位老师讲一下怎么在云平台上进行转录因子的预测。在云平台上进行转录因子预测相对比较简单，需要选择物种大类，动物or植物。选定好以后，需要老师们具体物种类型。如果老师研究的是模式物种，植物拟南芥、动物是人或者小鼠，就可以选择对应的模式物种即可，除此之外，建议都选择所有物种即可。然后提交即可对所有基因进行转录因子的预测，后期老师在所有结果里查找候选基因转录因子预测情况。
刚才讲到了转录因子的预测，预测完以后很多老师就要对转录因子的靶基因进行分析，要预测转录因子调控的靶基因，需要两个步骤：首先需要知道转录因子的结合序列特征；然后基于转录因子的结合序列特征去基因上游的promoter区搜索，如果能搜索到结合特征的序列，那么该转录因子就有可能调控该靶基因。这里小编给各位老师安利一个转录因子靶基因的预测网站，JASPAR（