代谢组学数据分析-参数-价格-上海遐永医药科技有限公司手机站

产品描述

1、样本信息
通过***，分为**组和**组，每组**个样本、生物学重复，分别记做**和**。
2、代谢物提取

3、LC-MS/MS分析

4、数据预处理
原始数据经ProteoWizard转换成.mzXML格式，然后采用XCMS程序进行峰对齐、保留时间校正和提取峰面积。代谢物结构鉴定采用精确质量数匹配（<25ppm）和二级谱图匹配的方式，检索实验室自建数据库。对XCMS提取得到的数据，删除组内缺失值>50%的离子峰。应用软件SIMCAP14.1（Umetrics，Umea，Sweden）进行模式识别，数据经Pareto-scaling方法预处理。

5、主成分分析（PCA）
我们对已标准化的数据其进行一系列的多元变量模式识别分析，首先是主成分分析。主成分分析（principalcomponentanalysis,PCA）是将一组观测的可能相关变量，通过正交变换转换为线性不相关变量（即主成分）的统计方法。PCA可以揭示数据的内部结构，从而更好的解释数据变量。代谢组学数据可以被认为是一个多元数据集，能够在一个高维数据空间坐标系中被显现出来，那么PCA就能够提供一幅比较低维度的图像（二维或三维），展示即为在包含信息最多的点上对原对象的“投影”，有效地利用少量的主成分使得数据的维度降低。PCA分析利用软件SIMCAP14.1进行，并采用七次循环交互验证（7-fold crossvalidation）得到pR2Y（模型对分类变量Y的可解释性的显著性）和pQ2（模型的可预测性的显著性），对模型有效性进行评判。

6、偏最小二乘法-判别分析(PLS-DA)和正交偏最小二乘法-判别分析(OPLS-DA)
基于LC-MS的代谢组学数据具有高维（检测出代谢物种类多），小样本（检测样本量偏少）的特性，在这些变量中既包含与分类变量相关的差异变量，也包含大量互相之间可能存在关联的无差异变量。我们采用偏最小二乘判别分析（PartialleastsquaresDiscriminantAnalysis，PLS-DA）和正交偏最小二乘法-判别分析（orthogonalprojectionstolatentstructures-discriminantanalysis,OPLS-DA）的统计方法对结果进行分析，可以过滤掉代谢物中与分类变量不相关的正交变量，并对非正交变量和正交变量分别分析，从而获取更加可靠的代谢物的组间差异与实验组的相关程度信息。
OPLS是一种改进的PLS方法，它利用正交信号矫正的思想，滤除了自变量矩阵(X)中与量矩阵(Y)无关的信息，即随机噪声。所以OPLS-DA可以更好地区分组间差异，提高模型的有效性和解析能力。为了评价模型的可靠性，采用七次循环交互验证和200次响应排序检验（responsepermutationtesting，RPT），得到pR2Y（模型对分类变量Y的可解释性的显著性）和pQ2（模型的可预测性的显著性）对模型有效性进行评判。PLS-DA和OPLS-DA分析利用软件SIMCAP14.1进行，绘制样本分布散点图，并获得OPLS-DA模型第一主成分的变量投影重要度得分（VariableImportanceintheProjection,VIP）。

7、差异代谢物筛选
按照**VS**分组，利用ttest法进行差异分析，得到pvalue并计算差异倍数比（FoldChange，FC），结合相应OPLS-DA模型的VIP，设定差异代谢物的阈值为pvalue<0.05且VIP>1，当FC>1为上调差异代谢物，当FC<1为下调差异代谢物。

对差异分析结果进行火山图和聚类热图展示，火山图可视化利用R语言包ggplot2包（http://ggplot2.org/,version:2.2.1）完成；聚类热图使用pheatmap包（version:1.0.8,https://cran.r-project.org/web/packages/pheatmap），方法为欧氏距离层次聚类。

8、差异代谢物的KEGG分析
基于KEGG（www.kegg.jp/kegg/pathway.html）提供的人类代谢通路信息，我们利用IMPaLA工具（CompoundsandgenesSynthesisMolecularPathwayLevelAnalysis，http://impala.molgen.mpg.de/）[5]对差异代谢物进行富集分析，以超几何检验方法p<0.05作为显著富集的阈值，进行条形图可视化，并绘制部分通路map图。

价格：面议

代谢组学数据分析

产品属性

上海遐永医药科技有限公司