在非目标代谢学中的仪器漂移:通过研究内部的QC样本优化数据质量

科学领域:

• 代谢学 代谢学 代谢学
• 分析化学 分析化学
• 生物技术是生物技术.

背景情况:

• 非定位代谢学对于生物标志物发现,药物开发和精准医学至关重要.
• 仪器漂移 (保留时间,信号强度) 在基于大规模质谱的代谢学中构成挑战.
• 确保数据质量需要在数据处理过程中考虑这些变化.

研究的目的:

• 推一个最佳的数据处理工作流程,用于非目标代谢学,使用内部质量控制 (QC) 样本.
• 为了识别和减轻由仪器漂移引起的错误.
• 为了比较不同批量效应校正方法的性能.

主要方法:

• 开发了一个数据处理工作流程,包含了内部QC样本.
• 评估了三种流行的批量效应校正方法.
• 利用基于QC的指标和机器学习方法对生物样本进行性能评估.

主要成果:

• 在批量效应校正方面,TIGER方法表现最好.
• 泰格显著降低了QC和分散率的相对标准偏差.
• 通过多个分类器,TIGER 实现了接收器运行特征曲线下的最高面积.

结论:

• 推的工作流提高了针对非目标代谢学数据的质量.
• 有效的批量效应校正对于可靠的生物标志物发现和精准医学至关重要.
• 泰格方法是提高代谢学数据完整性的高效工具.