資源描述：
《代謝組學(xué)的數(shù)據(jù)分析技術(shù)》由會(huì)員上傳分享，免費(fèi)在線閱讀，更多相關(guān)內(nèi)容在行業(yè)資料-天天文庫。
1、代謝組學(xué)的數(shù)據(jù)分析技術(shù)摘要：代謝組學(xué)是效仿基因組學(xué)和蛋白質(zhì)組學(xué)的研究思想，對生物體內(nèi)所有代謝物進(jìn)行定量分析，并尋找代謝物與生理病理變化的相對關(guān)系的研究方式，是系統(tǒng)生物學(xué)的組成部分。其研究對象大都是相對分子質(zhì)量1000以內(nèi)的小分子物質(zhì)。先進(jìn)分析檢測技術(shù)結(jié)合模式識別和專家系統(tǒng)等計(jì)算分析方法是代謝組學(xué)研究的基本方法。文章主要綜述了將代謝組學(xué)中的圖譜、數(shù)據(jù)信息轉(zhuǎn)換為相應(yīng)的參數(shù)所采用的分析方法。關(guān)鍵詞：代謝組學(xué)；數(shù)據(jù)分析方法代謝組學(xué)是以代謝物分析的整體方法來研究功能蛋白如何產(chǎn)生能量和處理體內(nèi)物質(zhì)，評價(jià)細(xì)胞和體液內(nèi)源性和外源性代謝物濃度及功能關(guān)系的新
2、興學(xué)科，是系統(tǒng)生物學(xué)的重要組成部分，其相應(yīng)的研究能反映基因組、轉(zhuǎn)錄組和蛋白組受內(nèi)外環(huán)境影響后相互協(xié)調(diào)作用的最終結(jié)果，更接近反映細(xì)胞或生物的表型，因此被越來越廣泛地應(yīng)用。而代謝組學(xué)的數(shù)據(jù)分析包括預(yù)處理和統(tǒng)計(jì)分析方法，多元統(tǒng)計(jì)分析方法主要分為兩大類：非監(jiān)督和監(jiān)督方法，非監(jiān)督方法包括主成分分析PCA；聚類分析CA等；監(jiān)督方法包括顯著性分析、偏最小二乘法等，本文就是主要綜述代謝組學(xué)圖譜信息轉(zhuǎn)化為參數(shù)信息所采用的數(shù)據(jù)分析方法。1預(yù)處理數(shù)據(jù)的預(yù)處理過程包括以下：譜圖的處理；生成原始的數(shù)據(jù)矩陣；數(shù)據(jù)的歸一化以及標(biāo)準(zhǔn)化處理過程。針對實(shí)驗(yàn)性質(zhì)、條件以及樣品
3、等因素采用不同的預(yù)處理方法。在實(shí)際應(yīng)用過程中，預(yù)處理可以通過實(shí)驗(yàn)系統(tǒng)自帶的軟件如XCMS軟件。進(jìn)行，因此一般較容易獲得所需的數(shù)據(jù)形式。2數(shù)據(jù)分析方法2.1主成分分析PCA是多元統(tǒng)計(jì)中最常用的一種方法，它是在最大程度上提取原始信息的同時(shí)對數(shù)據(jù)進(jìn)行降維處理的過程，其目的是將分散的信息集中到幾個(gè)綜合指標(biāo)即主成分上，有助于簡化分析和多維數(shù)據(jù)的可視化，進(jìn)而通過主成分來描述機(jī)體代謝變化的情況。PCA的具體過程是通過一種空間轉(zhuǎn)換，形成新的樣本集，按照貢獻(xiàn)率的大小進(jìn)行排序，貢獻(xiàn)率最大的稱為第一主成分，依次類推。經(jīng)驗(yàn)指出，當(dāng)累計(jì)貢獻(xiàn)率大于85％時(shí)所提取的主
4、成分就能代表原始數(shù)據(jù)的絕大多數(shù)信息，可停止提取主成分。在代謝組數(shù)據(jù)處理中，PCA是最早且廣泛使用的多變量模式識別方法之一。，具有不損失樣品基本信息、對原始數(shù)據(jù)進(jìn)行降維處理的同時(shí)避免原始數(shù)據(jù)的共線性問題等優(yōu)點(diǎn)，但在實(shí)際應(yīng)用過程中，PCA存在著自身的缺點(diǎn)[1]：離群樣本點(diǎn)的存在嚴(yán)重影響其生物標(biāo)志物的尋找；非保守性的代謝組分?jǐn)_亂正確的分類以及尺度的差異影響小濃度組分的表現(xiàn)等，其他的問題之前也有討論[2]。針對PCA的缺陷采用了不同的改進(jìn)措施，與此同時(shí)，為了簡化計(jì)算，侯詠佳等[3]。提出了一種主成分分析算法的FPGA實(shí)現(xiàn)方案，通過Givens算法
5、和CORDIC算法的矢量旋轉(zhuǎn)，用簡單的移位和加法操作來實(shí)現(xiàn)協(xié)方差矩陣的特征分析，只需計(jì)算上三角元素，因此計(jì)算復(fù)雜度小、迭代收斂速度快。2.2locatedintheTomb,DongShenJiabang,deferthenextdayfocusedontheassassination.Linping,Zhejiang,1ofwhichliquorwinemasters(WuzhensaidinformationisCarpenter),whogotAfewbayonets,duetomissedfatal,whennightcame聚類
6、分析CA是用多元統(tǒng)計(jì)技術(shù)進(jìn)行分類的一種方法。其主要原理是：利用同類樣本應(yīng)彼此相似，相類似的樣本在多維空間里的彼此距離應(yīng)較小，而不同類的樣本在多維空間里的距離較大。具體的做法是先將每個(gè)樣本自成一類，選擇距離最小的一對并成一個(gè)新類，計(jì)算新類與其他類之間的距離，再將距離最小的兩類并為一類，直至所有樣本都成為一類為止。目前多維空間里的兩樣本距離的算法主要有：歐氏距離、閔氏距離、馬氏距離等，其中以歐氏距離最常用。2.3判別分析DA又稱分辨分析或分辨法，是在一系列多因子(xi)觀測值的基礎(chǔ)上，對事物的屬性差別進(jìn)行分類或分辨的統(tǒng)計(jì)學(xué)法，主要用于定性預(yù)測
7、。其基本方法是根據(jù)樣品的P個(gè)測定指標(biāo)，對一批位置樣品進(jìn)行分類；前提是已知一些樣品的分類，然后根據(jù)P個(gè)測定指標(biāo)來確定未知樣品究竟歸屬哪一類。在判別分析中，判別函數(shù)有最佳型判別函數(shù)和固定型判別函數(shù)兩類。目前，判別分析的準(zhǔn)則和方法亦有許多，如馬氏距離判別法、Fisher判別法、Bayes判別法、逐步判別法等等。2.4偏最小二乘法PLS是SWold和CAlbano等[19]1983年首次提出的回歸方法。它在克服自變量多重相關(guān)性的情況下，能對較少的樣本量進(jìn)行建模以及有效的篩選。葉鶯等[4]實(shí)驗(yàn)證明，與一般最Jb---乘法及PCA相比，PLS計(jì)算所得
8、的擬合殘差最小，穩(wěn)定度最高，能改善各變量的作用方向并使其更符合專業(yè)解釋，成為模型變量篩選的有效工具。其基本原理如下：①將數(shù)據(jù)進(jìn)行中心化和標(biāo)準(zhǔn)化，形成自變量和因變量的矩陣；②求協(xié)方差矩陣，并根據(jù)
