相关实验视频
Updated: May 5, 2026

14:18
A Strategy for Sensitive, Large Scale Quantitative Metabolomics
Published on: May 27, 2014
21.0K
数据处理解决方案使代谢学更加定量化:使用Metabox 2.0的食品和临床代谢学案例研究
Kwanjeera Wanichthanarak1,2, Ammarin In-On1,2, Sili Fan3
1Siriraj Center of Research Excellence in Metabolomics and Systems Biology (SiCORE-MSB), Faculty of Medicine Siriraj Hospital, Mahidol University, Bangkok 10700, Thailand.
GigaScience
|March 15, 2024
概括
这项研究评估了代谢数据处理方法,以与绝对量化保持一致. 交叉贡献补偿多重标准规范化 (ccmn) 方法与平方根转换被推用于控制良好的研究.
科学领域:
- 代谢学 代谢学 代谢学
- 生物信息学是一种生物信息学.
- 数据科学数据科学数据科学
背景情况:
- 半定量代谢学中的代谢物强度容易变化.
- 现有的研究往往侧重于峰值区域,而不是绝对度.
- 对数据处理的系统评估对于可靠的代谢分析至关重要.
研究的目的:
- 评估数据处理方法,以产生与绝对量化类似的结果.
- 为食品和临床代谢学确定最佳的数据处理策略.
- 引入Metabox 2.0以进行全面的代谢数据分析.
主要方法:
- 对数据处理技术 (规范化,转换,缩放) 的比较分析.
- 评估数据分布,折叠差异和样本差异.
- 对零售牛奶和狼性炎代谢学数据集的测试.
主要成果:
- 在受控研究 (牛奶数据集) 中,交叉贡献补偿多重标准规范化 (ccmn) 跟着平方根转换是最佳的.
- 单靠ccmn正常化,对杂的临床数据 (狼性炎数据集) 提供了轻微的改善.
- 评估重点是处理和绝对量化数据之间的相似性.
结论:
- 这些发现为在食品和临床环境中处理代谢数据提供了指导方针.
- Metabox 2.0 是一种用于代谢数据处理和分析的有价值的工具.
- 推的方法提高了代谢学研究结果的可靠性.

