优化选择用于机器学习分类人类血环境电离质谱的规范化方法
Annabel S J Eardley-Brunt1, Liwen Song1,
1Department of Chemistry, University of Oxford, Chemistry Research Laboratory, 12 Mansfield Rd, Oxford OX1 3TA, UK.
数据预处理显著影响质谱分析. 虽然强度组图方法最能影响聚类,但平均值,中位数,向量和AUC规范化优化了机器学习对血数据的分类.
科学领域:
- 分析化学 分析化学
- 生物信息学是一种生物信息学.
- 计算生物学 计算生物学
背景情况:
- 质谱数据需要规范化,缩放和转换,以管理技术和生物变异.
- 存在许多数据规范化方法,缺乏对最佳方法的共识.
研究的目的:
- 系统地评估24种规范化,缩放和转换方法及其420种组合.
- 评估这些预处理方法对人类血质谱数据的集群和机器学习分类的影响.
主要方法:
- 应用了24种预处理方法和420种组合,对来自两个患者队列 (OxAMI和OxAAA) 的大气固体分析探测器 (ASAP) 质谱进行了分析.
- 使用集群比率 (CR) 对数据集群的评估影响.
- 使用科恩的 κ统计学对机器学习分类的评估影响.
主要成果:
- 预处理方法的选择大大影响了数据聚类 (CR).
- 基于强度组图的新方法对聚类产生了最大的影响.
- 平均值,中位数,向量和AUC规范化方法在算法中实现了最佳的机器学习分类性能.
- 高集群比率并不始终与改善的监督分类结果相关.
结论:
- 选择规范化,缩放和转换方法显著影响质谱数据分析结果.
- 强度-直径图方法对聚类的影响最大,而平均值,中位数,向量和AUC方法在机器学习分类方面表现出色.
- 在优化质谱数据预处理管道时,仔细考虑后续数据分析至关重要.
更多相关视频
07:34Large Scale Non-targeted Metabolomic Profiling of Serum by Ultra Performance Liquid Chromatography-Mass Spectrometry UPLC-MS
Published on: March 14, 2013
14:39Semi-Targeted Ultra-High-Performance Chromatography Coupled to Mass Spectrometry Analysis of Phenolic Metabolites in Plasma of Elderly Adults
Published on: April 22, 2022
相关概念视频
Inductively Coupled Plasma-Mass Spectrometry (ICP-MS): Interferences
Mass Spectrometry: Complex Analysis
GC–MS is a powerful hyphenated method commonly used in forensics and environmental...
High-Resolution Mass Spectrometry (HRMS)
Optimizing Chromatographic Separations
Band broadening refers to spreading solute bands as they travel through the column. This broadening can impact resolution. Plate height (H) represents the length required for one theoretical plate. A lower plate height corresponds to...
