主成分分析是一種應用方差分解方法，對多維數據進行降維，從而提取出數據中最主要的元素和結構。應用PCA分析，能夠提取出最大程度反映樣品間差異的兩個坐標軸，即主成分1（PC1）和主成分2（PC2），并以百分數的形式體現主成分主要影響程度，從而將多維數據的差異反映在二維坐標圖上，進而揭示復雜數據背景下的簡單規律。如果樣品的群落組成越相似，則它們在PCA圖中的距離越接近。
選取關鍵的或關注的功能類群進行組間差異顯著性檢驗，尋找在樣品間豐度具有顯著差異的基因。橫軸表示各類碳降解基因?？v軸表示標準化信號強度，代表基因相對豐度差異。顯著性檢驗采用雙尾配對t檢驗，星號標示出在增溫區與對照區豐度差異顯著的基因（**p<0.01, *p<0.05）。
用于展現與功能基因構成有密切聯系的主要環境因素及其重要程度。圖a橫縱軸為解釋度最高的兩個維度，坐標名稱中的百分數代表解釋度。環境因素包括土壤濕度（Soil M）、土壤溫度（Soil T）、總初級生產量（GPP）。圖b邊角圓形中百分比代表某一個（或一類）環境因素排除其他因素影響后對功能基因構成差異的解釋度，連線上百分比代表某兩個（或兩類）環境因素的交互作用排除其他影響后的解釋度，中心圓形代表三類環境因素的共同交互作用排除其他影響后的解釋度，而下部方形代表三類環境因素無法解釋的比例。
基于樣本間或組間功能基因的相對豐度進行Spearman相關系數計算，獲得樣本間功能基因之間的相互關系，然后用展示基因間相互關系的可視化軟件進行基因相互作用network構建。
