代谢组学的介绍html
代谢组学那些事儿算法
代谢组数据处理网络
代谢组学数据分析的统计学方法综述机器学习
代谢组学数据处理学习
一文看懂主成分分析htm
关于筛选标记物
筛选差别代谢产物一般基于OPLS-DA模型,由于它更易于进行模型解释,全部跟分组相关的信息都集中于第一维。筛选的标准一般是基于如下两个指标:
Corr.Coeffs./p(corr) (Correlation Coefficient),是样本得分值t和变量X间的相关系数-Corr(t, X),表明了变量的可靠度。该值没有固定阈值,一般设定对应的P值 < 0.05。
VIP (Variable importance in the projection),为变量对模型的重要性,描述了每个变量对模型的整体贡献,一般设定阈值为VIP >1。
除此以外,基于单维检验的P值和变化倍数(Fold change)所做的火山图(Volcano plot)也是经常使用的筛选方法。
代谢组学活性筛选(metabolomics activity screen, MAS)
PLS-DA和OPLS-DA
能够根据V-plot筛选代谢物(本质是综合VIP和P值 [所谓的Corr.Coeffs的P值]?),OPLS-DA的分析中还能够用S-plot筛选代谢物(横坐标是P,纵坐标是P(corr),不太理解)。这两个图绕晕了,有很多资料,好比有个文章(Analysing NMR Metabolomics data using OPLS-DA )就示范了OPLS-DA及其S-plot。关于这两个图的文章,主要是:代谢组学数据处理 中提到。
模型评估指标:(R2X, R2Y, Q2, R2, Q2)
一般,评价(O)PLS-DA 模型拟合效果使用R2X、R2Y和Q2Y这三个指标,这些指标越接近1 表示PLS-DA 模型拟合数据效果越好。其中,R2X 和R2Y 分别表示PLSDA分类模型所可以解释X 和Y 矩阵信息的百分比,Q2Y 则为经过交叉验证计算得出,用以评价PLS-DA模型的预测能力,Q2Y 越大表明模型预测效果较好。
PCA分析中R2X >0.4为好;PLS-DA 和 OPLS-DA分析中,R2X 这个参数不重要了,主要是R2Y 和Q2,这两个值>0.5 为好,越接近1越好。OPLS-DA中Q2(cum),是指建模后模型的预测能力,以大于0.5为宜,越接近1越好,cum 表示累积的意思。另一个Q2 是进行模型验证,以防止随机拟合或过拟合的一个评价参数。
另外,在介绍ropls这个包的网站上,对于实现PLS-DA、OPLS-DA有代码的讲解,连接为:ropls: PCA, PLS(-DA) and OPLS(-DA) for multivariate analysis and feature selection of omics data
值得参考的其余文章
OPLS vs PCA: Explaining differences or grouping data?
代谢组学工具
SIMCA、MetaboAnalyst(Mummichog)、PIUMet、Cytoscape、Heml(作热图的)、Proteowizard(格式转换工具)等。
SIMCA操做能够借鉴下这个:SIMCA14.1 Omics Skin操做教程--药物疗法(核磁共振氢谱)。
代谢组学其余东西
在代谢组学文章投稿时,都须要列出已鉴定化合物的检测分子量的偏差,这个一般须要本身计算,计算方法如上述例子。这里介绍一个计算精确分子量的网。
——摘自:代谢组学分享平台—质谱知识2.
模型创建后须要进行验证,如置换检验、交叉验证。
若是是两组比较,也能够经过OPLS-DA的S-plot进行标记物筛选。选择分布在S-plot两端的变量做为标记物,同时能够参看得分图(Score plot)来观察变量在不一样组别的相对含量高低(即处于S-plot右上方的变量在得分图中处于y轴右侧的组别中含量较高,反之亦然)。
多组学
O2PLS技术值得研究下
刷爆朋友圈的多组学联合,轻松搞定分子调控机制-表型间的关联!
答疑
代谢组学问答四十八式,准备好接招了吗?(三) (有提到OPLS-DA的评估参数问题)
不局限于代谢
一些报道