一种统计方法,用于确定标准化和推算方法的最佳组合,用于无标签的蛋白质组学表达数据

科学领域:

• 蛋白质组学是指蛋白质组学.
• 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:

• 无标签的蛋白质组学数据经常存在异质性和缺失的值.
• 有效的规范化和归算对于强大的下游分析至关重要.
• 选择特定数据的方法对于准确的蛋白质表达造型至关重要.

研究的目的:

• 为了确定无标签蛋白质组学数据的最佳规范化和归算方法组合.
• 加强质量控制和差异表达蛋白质的准确识别.
• 为研究人员提供一个用户友好的工具来应用这些方法.

主要方法:

• 整合了三种规范化方法 (LOESS,VSN,RLR) 与三种归算方法 (k-NN,LLS,SVD) 来创建九种组合.
• 使用统计措施 (PCV,PEV,PMAD) 来评估变化并选择最佳组合.
• 通过使用标准无标签蛋白质组基准数据集验证了该方法.

主要成果:

• 开发的方法确定了特定的规范化和归算组合,使集团内和集团间的变化最小化.
• 选择的组合表现出更好的性能,以低的规范化根平均平方误差 (NRMSE) 表示.
• 该方法在基准数据集中识别入蛋白质时显示出更高的准确性.

结论:

• 该研究成功地确定了对无标签蛋白质组学数据的最佳规范化和归算策略.
• "lfproQC" R 包和 Shiny 网络应用程序为研究人员提供了宝贵的资源.
• 开发的工具有助于改进数据质量控制和准确的差异性蛋白质表达分析.