研究與開發(fā)
數(shù)據(jù)分析
多變量統(tǒng)計(jì)方法可以達(dá)到降維的目的，并且不受變量多重共線性的限制。
譜圖經(jīng)過一定的前處理，然后進(jìn)行分段積分，通常一張譜圖會(huì)分成上千個(gè)積分段，每一段就是一個(gè)變量，每個(gè)樣本的特征就由這些變量來共同定義的。
在積分?jǐn)?shù)據(jù)用于多變量分析之前，先要對(duì)數(shù)據(jù)進(jìn)行歸一化（normalization）和標(biāo)準(zhǔn)化（scaling）處理。
代謝組學(xué)數(shù)據(jù)分析中常用的多變量統(tǒng)計(jì)分析方法主要包括主成分分析（principal component analysis，PCA），偏最小二乘判別分析（partial least squares discriminant analysis，PLS-DA）和正交化偏最小二乘判別分析（orthogonal projection to latent structure discriminant analysis，OPLS-DA）。
在代謝組學(xué)研究中，由于樣本量有限，通常使用內(nèi)部驗(yàn)證方法對(duì)模型的有效性進(jìn)行檢驗(yàn)。常用的內(nèi)部驗(yàn)證方法有交叉驗(yàn)證（cross-validation，CV）、排列實(shí)驗(yàn)（permutation test）和CV-ANOVA（varianceanalysis of the cross-validated residuals）。
經(jīng)過驗(yàn)證確實(shí)有效的模型，可以通過提取其第一主成分找到對(duì)組間區(qū)分貢獻(xiàn)大的變量，即發(fā)生顯著性變化的代謝物。變量是否對(duì)組間區(qū)分有顯著性貢獻(xiàn)通過變量與第一主成分得分值的Pearson 相關(guān)系數(shù)r 來確定，根據(jù)樣本量和r 臨界值表來確定P < 0.05 時(shí)具有統(tǒng)計(jì)學(xué)顯著性的臨界值。第一主成分的載荷（loading）經(jīng)過回溯轉(zhuǎn)換，采用Matlab 軟件等可以繪制出相關(guān)系數(shù)負(fù)載圖。
