关闭在非目标代谢学中获得后样本正常化知识差距

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.
• 定量生物学 定量生物学

背景情况:

• 样本正常化在代谢学中至关重要,以最大限度地减少变化,并使公平的定量比较成为可能.
• 当总代谢物量无法准确测量时,获得后正常化至关重要.
• 对规范化算法差异的有限理解阻碍了最佳方法的选择.

研究的目的:

• 阐明常见的采集后样本规范化方法的机制和性能差异.
• 为了对六种不同的规范化技术进行基准测试:总和,中位数,概率系数规范化 (PQN),最大密度折叠变化 (MDFC),量子位和类特定量子位.
• 提出一种基于证据的策略,以最大限度地提高代谢学中的样本正常化结果.

主要方法:

• 利用数据模拟,实验模拟和真实实验来评估规范化方法.
• 在公共代谢学数据集上对六种规范化方法进行了基准测试.
• 分析了不平衡数据和数据质量因素 (噪音,和,缺失) 对正常化性能的影响.

主要成果:

• 在不同样本规范化方法之间的结果中显示出显著的差异.
• 发现大多数规范化方法在处理不平衡数据 (不平等的上下调节代谢物) 时表现出偏差.
• 强调数据质量问题对规范化有效性的影响.

结论:

• 标准化方法的性能受到数据特征的显著影响,特别是不平衡的数据.
• 提出了基于证据的规范化策略,以改善代谢学中的定量比较.
• 这项工作提供了一个强大的生物信息解决方案,通过改进的规范化来推进代谢学研究.