主成分分析（Principal Component Analysis，PCA）将代谢物变量按一定的权重通过线性组合后产生新的特征变量，通过主要新变量（主成分）对各组数据进行归类。作为无监督学习方法，得到的PCA模型反映了代谢组数据的原始状态，有利于掌握数据的整体情况，尤其是有利于发现和去除重复性差的样本（离群样本）或异常样本，并提高模型的准确性。

采用 PCA 方法，观察样本之间的总体分布趋势。从PCA得分图可观察样本的聚集、离散程度。样本分布点越靠近，说明这些样本的组成和浓度越接近；反之，样本点越远离，其差异越大。模型的交叉验证主要参考R2X参数，表示模型的可解释度。通常情况下，R2高于0.5较好。