做教育视频网站用什么平台好,网上推广是什么意思,360打不开建设银行的网站,网站建设进度图代谢组学是一门对某一生物或细胞所有低分子质量代谢产物#xff08;以相对分子质量1000的有机和无机的代谢物为研究核心区#xff09;进行分析的新兴学科。因此从复杂的代谢组学数据中确定与所研究的现象有关的代谢物#xff0c;筛选出候选生物标记物成为代谢物组学研究…代谢组学是一门对某一生物或细胞所有低分子质量代谢产物以相对分子质量1000的有机和无机的代谢物为研究核心区进行分析的新兴学科。因此从复杂的代谢组学数据中确定与所研究的现象有关的代谢物筛选出候选生物标记物成为代谢物组学研究的热点和难点。
代谢组学分析数据用于统计分析时数据集通常为一个N × K的矩阵X矩阵N表示N个样本数每一行代表一个样品 K表示K个变量每一列代表一个变量在代谢组学中变量通常是指代谢物含量。最常用的分析方法如图1所示 单变量分析方法
单变量分析方法仅分别分析单个变量不考虑多个变量的相互作用与内在联系。具有简单性、易应用性和可解释性。但是无法基于整体数据对所测样品的优劣、差异进行综合评价和分析。
差异倍数分析
差异倍数变化大小Fold ChangeFC表示实验组与对照组的含量比值可以快速考察各个代谢物在不同组别之间的含量变化大小。
显著性检验
p值即概率反映某一事件发生的可能性大小用于区分该变量是否具有统计显著性通常认为p0.05具有统计显著性。常用的检验方法有t-test、方差分析Analysis of Variance ANOVA但是由于代谢组学的变量较多必要时需要进行多重假设检验对p值进行校正减少Ⅰ类错误降低假阳性。
多变量分析
多变量分析分为无监督分析方法和有监督分析方法。在代谢组学分析中无监督学习有主成分分析Principal Component AnalysisPCA只需要数据集X而有监督分析方法主要是偏最小二乘判别分析Partial Least Squares Discrimination Analysis, PLS-DA和正交偏最小二乘判别分析Orthogonal Partial Least Squares Discrimination Analysis , OPLS-DA这类方法在分析时除了需要数据集X还需对样品进行指定并分组, 这样分组后模型将自动加上另外一个隐含的数据集Y通常Y的赋值用-1/1或者0/1表示类别信息。
PCA
PCA是一种使用最广泛的数据降维算法先找出数据X矩阵的方差最大方向作为PC1在与PC1正交的平面中找出使得方差最大的作为PC2依次类推。从而建立低维平面或空间 (通常25 维), 以此分析和概览整个数据集。PCA不是一种分类方法但能提供对复杂数据集的直观解释并从中揭示出数据集中观测数据的分组、趋势以及离群。对明显不同于大部分样品的离群样品可加以甄别或剔除。如图2所示。另外如果存在质控样品PCA还可进行质控如果质控样品很分散或具有一定的变化趋势则说明检测质量存在一定的问题。
PLS-DA
PLS-DA在降维的同时结合了回归模型并利用一定的判别阈值对回归结果进行判别分析。通过多元线性回归技术来找到数据集X和类别数据集Y之间的最大协方差的方向建立两个独立数据集 (X−Y) 潜在关联分析方法, 即基于 X 变量数据信息, 建立Y 变量预测模型 (X→Y)。
这种模型计算的方法强行把各组分开, 有利于发现不同组间的异同点。对于组间差异不够明显的样品, 采用PCA 方法常常无法区分样品的组间差异, 这种情况下采用PLS-DA 模型可能更加有效。如图3所示。同时也能识别潜在的生物标记物适用于两组或者两组以上分析在需要同时观察多组别样品相似性和差异性时体现更大价值。但是如果主成分过多或分组过于复杂而出现过拟合现象 (over-fitting), 会造成模型失真, 在实际数据分析时应注意验证模型有效性和可靠性。
OPLS-DA
数据集X总会含有一些与研究无关的干扰信号如人的生活方式植物的生长环境或检测仪器的噪音干扰等。若能滤掉这些噪音会有助于发现最重要的变量提高模型的有效性。
与PLS相比OPLS根据数据集Y的差异将数据集X的差异分为两个部分第一部分代表与Y相关的差异, 第二部分代表与Y不相关 (正交垂直)的差异OPLS-DA可将这两部分差异进行区分控制与Y正交或者无关的X的变化并加以滤除。通过这种方式OPLS-DA可以更好地区分组间差异提高模型的有效性和解析能力。如图4所示OPLS-DA将组间差异主要集中在第一个预测主成分上即X轴。OPLS-DA常用于对两组样品的代谢组学数据进行判别分析, 能清晰展现组间样品差别并能直接解释和识别潜在的生物标志物。
