通过低等级建模以稀疏和密集的残余物进行人眼组织的成像质谱的先进的维度缩小
Roger A R Moens1, Lukasz G Migas1, David M G Anderson2,3
1Delft Center for Systems and Control, Delft University of Technology, Delft 2628 CD, The Netherlands.
Analytical chemistry
|October 13, 2025
概括
主要组件追求 (PCP) 和稳定PCP (SPCP) 为成像质谱 (IMS) 数据提供了优越的维度和降低噪声,与传统的主要组件分析 (PCA) 相比. 这些方法有效地处理复杂生物组织中的稀疏信号.
科学领域:
- 分析化学 分析化学
- 生物物理学的生物物理.
- 数据科学数据科学数据科学
背景情况:
- 图像质谱 (IMS) 生成大型,高维的数据集.
- 现有的矩阵因子化方法经常与IMS的独特数据结构,特别是稀疏信号扎.
- 优化数据减少对于IMS数据的下游分析至关重要.
研究的目的:
- 引入和评估IMS数据的新型低级模型.
- 将主要组件追求 (PCP) 和稳定PCP (SPCP) 与主要组件分析 (PCA) 的性能进行比较.
- 在复杂的生物组织数据上评估维度和降噪能力.
主要方法:
- 针对IMS数据量身定制的PCP和SPCP算法的实施.
- 这些方法应用于人类角膜和视网膜组织的MALDI Q-TOF IMS测量.
- 与经典PCA对维度和降噪的比较分析.
主要成果:
- 与PCA相比,PCP和SPCP显示了增强的维度减少和数据压缩.
- 这些新的方法有效地捕捉了传统技术经常错过的稀疏变化.
- 适当配置的PCP和SPCP可以减少IMS数据中的信号高估.
结论:
- 与PCA相比,PCP和SPCP提供了一个比PCA更优的方法来建模IMS数据结构.
- 这些方法特别有利于分析具有稀疏基底结构的复杂组织.
- 提出的技术有助于分析高维IMS数据集.


