CN109752549A - 基于靶向代谢组学数据分析的模型建立方法 - Google Patents
基于靶向代谢组学数据分析的模型建立方法 Download PDFInfo
- Publication number
- CN109752549A CN109752549A CN201910159224.XA CN201910159224A CN109752549A CN 109752549 A CN109752549 A CN 109752549A CN 201910159224 A CN201910159224 A CN 201910159224A CN 109752549 A CN109752549 A CN 109752549A
- Authority
- CN
- China
- Prior art keywords
- sample
- group
- control group
- targeting
- analytic set
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Granted
Links
Landscapes
- Investigating Or Analysing Biological Materials (AREA)
Abstract
本发明的基于靶向代谢组学数据分析的模型建立方法包括:选择一个样本群和一个对照群,该样本群和对照群中均包括40‑200个血液样本,每个血液样本包括:2‑50个靶向目标物;采用随机原则,将上述样本群中的一定比例的血液样本和对照群样本中同样比例的血液样本进行分组,分为分析集和验证集,在分析集中包括:样本组和对照组,在验证集中包括:样本组和对照组;将分析集中样本组和对照组的靶向目标物的浓度转化成该分析集中样本组和对照组的靶向目标物的转换比值,用分析集中的所有血液样本的2‑50个靶向目标物的转换比值做雷达图,来建立模型图,通过验证集来检验模型的可信度。
Description
技术领域
本发明涉及生物技术领域,是一种能对研究方向的靶向代谢组学数据进行分析的模型建立方法,找出相关靶向目标物数据之间的关系,使研究方向的说明由数字转化为图形。
背景技术
代谢组学是继基因组学和蛋白质组学之后新近发展起来的一门学科,对生物体内所有代谢物进行定量分析,并寻找代谢物与生理病理变化的相对关系的研究方式,是系统生物学的重要组成部分。主要技术手段是核磁共振(NMR),质谱(MS),色谱(HPLC,GC),其中以NMR为主。通过检测一系列样品得到大量的数据,根据其数据统计分析,可以判断或预测出生物体的病理生理状态和发展情况。
代谢组学研究产生的海量数据,一般使用分类统计方法,如主成分分析(PCA)、偏最小二乘法(PLS)、偏最小二乘法判别分析法(PLS-FA)等,管理检测数据。PCA分析法是针对事物的主要矛盾,通过解析多元事物中的主要因素,简化复杂事物,将多元数据的特点转化到较低维空间里直观表现,揭露本质。很多时候PCA法需要用原变量的线性组合来展示事物的主要方面。当前代谢组学模型分析方法较少,仅主成分分析(PCA)、偏最小二乘法(PLS)、偏最小二乘法判别分析法(PLS-FA)可供参考,模型分析方法的不足、统计方法数据化而非图形化是当前代谢组学发展的限制因素之一。
发明内容
本发明的目的在于建立一种基于靶向代谢组学数据的模型分析方法,使研究方向的说明由数字转化为图形,找出相关靶向目标物数据之间的关系,是对当下靶向代谢组学中分析模型的丰富。
为了完成本申请的发明目的,本发明采用以下技术方案:
本发明的一种基于靶向代谢组学数据分析的模型建立方法,它包括以下步骤:
(1)筛选数据:选择一个样本群和一个对照群,该样本群和对照群中均包括40-200个血液样本,每个血液样本包括:2-50个靶向目标物;
(2)确定分析集与验证集:采用随机原则,将上述样本群中的一定比例的血液样本和对照群样本中同样比例的血液样本进行分组,分为分析集和验证集,在分析集中包括:样本组和对照组,在验证集中包括:样本组和对照组;
(3)统计计算分析集中对照组中的每个血液样本的一个靶向目标物的浓度,计算均值和中位数,以均值或中位数作为该靶向目标物的对照组参照值;
(4)统计计算分析集中样本组中步骤(3)的靶向目标物的浓度,计算均值和中位数,以均值或中位数作为该靶向目标物的样本组参照值;
(5)将分析集中样本组和对照组的上述靶向目标物的浓度转化成该分析集中样本组和对照组的靶向目标物的转换比值,其转换方法包括以下步骤之一:
(a)比较该靶向目标物的对照组参照值与该靶向目标物的样本组参照值的大小,当对照组参照值≥样本组参照值时,以该分析集中样本组和对照组的该靶向目标物的浓度为分子,以对照组参照值为分母来计算该分析集中样本组和对照组的该靶向目标物的转换比值;当对照组参照值<样本组参照值时,以该分析集中样本组和对照组的靶向目标物的浓度为分母,以对照组参照值为分子来计算该分析集中样本组和对照组的该靶向目标物的转换比值;
(b)比较该靶向目标物的对照组参照值与该靶向目标物的样本组参照值的大小,当对照组参照值≥样本组参照值时,以该分析集中样本组和对照组的该靶向目标物的浓度为分母,以对照组参照值为分子来计算该分析集中样本组和对照组的该靶向目标物的转换比值;当对照组参照值<样本组参照值时,以该分析集中样本组和对照组的该靶向目标物的浓度为分子,以对照组参照值为分母来计算该分析集中样本组和对照组的该靶向目标物的转换比值;
(6)重复上述步骤(3)至步骤(5),将分析集内样本组和对照组的血液样本所包括的2-50个靶向目标物浓度转化成为该靶向目标物转换比值,在同一模型中,只选择步骤(5)中的转换方法之一;
(7)用分析集中的所有血液样本的上述2-50个靶向目标物的转换比值做雷达图,来建立模型图:
在坐标图中,选择一点为圆点,以该圆点为圆心,均匀地作2-50条射线,相邻两条射线之间的夹角相同,在每条射线上均标有相同的长度单位,得到雷达图;
将分析集的样本组中的一个靶向目标物的转换比值标注在上述雷达图的同一条射线上,同理,将分析集的样本组中的2-50个靶向目标物的转换比值标注在上述雷达图的相应射线上,在样本组2-50个靶向目标物质转换比值的0-30分位数之间的雷达图上做出一条闭合线,在样本组2-50个靶向目标物质转换比值的70-100分位数之间的雷达图上做出一条闭合线,上述两条闭合线之间的区域为样本组模型区间;
将分析集的对照组中的一个靶向目标物的转换比值标注在上述雷达图的同一条射线上,同理,将分析集的对照组中的2-50个靶向目标物的转换比值标注在上述雷达图的相应射线上,在样本组2-50个靶向目标物质转换比值的0-30分位数之间的雷达图上做出一条闭合线,在样本组2-50个靶向目标物质转换比值的70-100分位数之间在雷达图上做出一条闭合线,上述两条闭合线之间的区域为对照组模型区间;
(8)模型参数的建立:首先计算分析集中,每个血液样本的2-50个靶向目标物浓度转换值的均值,记做R;观察模型中,每个血液样本的样本落在样本组模型区间内的靶向目标物的个数,记做N;
(9)模型判断方法:如果按照步骤(5)中(a)计算分析集中每个血液样本的2-50个靶向目标物的转换值,当R<0.85±0.15和/或N≥(0.5±0.4)*靶向目标物的个数时,判断该样本为样本组的血液样本,否则,判断该样本为对照组的血液样本;如果按照步骤(5)中(b)计算分析集中每个血液样本的2-50个靶向目标物的转换值,当R>1.15±0.15和/或N≥(0.5±0.4)*靶向目标物的个数时,判断该样本为样本组的血液样本,否则,判断该样本为对照组的血液样本;
(10)模型验证:将验证集中的样本组和对照组中的每个血液样本的2-50靶向目标物的浓度依据步骤(3)至(4)得出相应的对照组参照值和样本组参照值为依据,将步骤(5)中的分析集用验证集替代,来计算该靶向目标物的转换值,将验证集中的样本组和对照组中每个血液样本的2-50靶向目标物转换值带入上述模型,用步骤(8)和步骤(9)的判断方法来对验证集血液样本进行判别,计算模型的敏感性和特异性,敏感性为用该模型中验证出来的验证集中的样本组的血液样本个数与验证集中的血液样本个数的比值;特异性为用该模型中验证出来的验证集中的对照组血液样本个数与验证集中的对照组血液样本个数的比值,当敏感性和特异性均大于0.75时,说明该模型建立成功,否则重新调整步骤(7)中的样本组模型区间和对照组模型区间,直到敏感性和特异性均大于0.75为止;
本发明的基于靶向代谢组学数据分析的模型建立方法,其中:在步骤(2)中的一定比例为4:1至5:1;
本发明的基于靶向代谢组学数据分析的模型建立方法,其中:0分位数的点为在一条射线上,从圆点到0分位数点之间没有任何数据,30分位数的点为在一条射线上,从0分位数和30分位数点之间有30%的数据,70分位数的点为在一条射线上,从0分位数和70分位数点之间有70%的数据,100分位数的点为在一条射线上,从0分位数和100分位数点之间有100%的数据;
本发明的基于靶向代谢组学数据分析的模型建立方法,其中:所述靶向目标物为丙氨酸、缬氨酸、精氨酸、瓜氨酸、甘氨酸、组氨酸、亮氨酸、蛋氨酸、鸟氨酸、苯丙氨酸、酪氨酸、谷氨酸、天冬氨酸、乙酰肉碱、丙酰肉碱、丁酰肉碱、戊酰肉碱、己酰肉碱、辛酰肉碱、十四碳酰基肉碱或十六碳酰基肉碱;
本发明的基于靶向代谢组学数据分析的模型建立方法,其中:在步骤(3)和步骤(4)中,所述均值或中位数只选其中一个;并且在后续步骤(5)至步骤(10)中,均值或中位数的选择与步骤(3)和步骤(4)中均值或中位数的选择相同,即均值或中位数。
本发明有益效果:
上述基于靶向代谢组学数据的模型分析方法,首次提供了雷达图构建代谢组学模型的建立方法。使用两个模型参数进行判别分析,建立的模型具有良好的敏感性和特异性。找出了相关靶向目标物数据之间的关系,最终使研究方向的说明由数字转化为图形,是一个通用型的代谢组学数据模型分析方法,在靶向代谢组学领域有重要应用前景。
下面将结合具体实施例和附图对本发明作进一步说明。
附图说明
图1为代谢组学雷达模型的示意图;在两条闭合点划线之间的区域为样本组模型区间,在两条闭合直线之间的区域为对照组模型区间,为了清楚起见,在图中没有标出靶向目标物的转换值的点。
具体实施方式
下面通过实例进一步阐释本发明,实例仅限于说明本发明以便于理解,而非对本发明的限定。
本发明的基于靶向代谢组学数据分析的模型建立方法包括以下步骤:
(1)筛选数据:选择一个样本群和一个对照群,该样本群为某社区确诊肺癌患者40例,对照群为某社区医院140名就诊的非肺癌人员,每个血液样本包括:6个靶向目标物;6个靶向目标物分别为瓜氨酸、蛋氨酸、缬氨酸、甘氨酸、精氨酸和十六碳酰基肉碱;
(2)确定分析集与验证集:采用随机原则,将上述样本群中的4:1的血液样本和对照群样本中4:1的血液样本进行分组,分为分析集和验证集,在分析集中包括:32个样本组和对照112个组,在验证集中包括:8个样本组和28个对照组;
(3)统计计算分析集中对照组中的每个血液样本的一个靶向目标物例如:瓜氨酸的浓度,计算均值,以均值作为该靶向目标物的对照组参照值;
(4)统计计算分析集中样本组中步骤(3)的靶向目标物的浓度,计算均值,以均值作为该靶向目标物的样本组参照值;
(5)将分析集中样本组和对照组的上述靶向目标物的浓度转化成该分析集中样本组和对照组的靶向目标物的转换比值,其转换方法包括以下步骤:
(a)比较该靶向目标物的对照组参照值与该靶向目标物的样本组参照值的大小,当对照组参照值≥样本组参照值时,以该分析集中样本组和对照组的该靶向目标物的浓度为分子,以对照组参照值为分母来计算该分析集中样本组和对照组的该靶向目标物的转换比值;当对照组参照值<样本组参照值时,以该分析集中样本组和对照组的靶向目标物的浓度为分母,以对照组参照值为分子来计算该分析集中样本组和对照组的该靶向目标物的转换比值;
(6)重复上述步骤(3)至步骤(5),将分析集内样本组和对照组的血液样本所包括的蛋氨酸、缬氨酸、甘氨酸数、精氨酸和十六碳酰基肉碱的浓度转化成为该靶向目标物转换比值;
(7)用分析集中的所有血液样本的上述6个靶向目标物的转换比值做雷达图,来建立模型图:
在坐标图中,选择一点为圆点,以该圆点为圆心,均匀地作6条射线,相邻两条射线之间的夹角相同,在每条射线上均标有相同的长度单位,得到雷达图;
将分析集的样本组中的一个靶向目标物的转换比值标注在上述雷达图的同一条射线上,同理,将分析集的样本组中的6个靶向目标物的转换比值标注在上述雷达图的相应射线上,在样本组6个靶向目标物质转换比值的0分位数之间的雷达图上做出一条闭合线,在样本组6个靶向目标物质转换比值的75分位数之间的雷达图上做出一条闭合线,上述两条闭合线之间的区域为样本组模型区间,即两条闭合点划线之间的区域为样本组模型区间;0分位数的点为在一条射线上,从圆点到0分位数点之间没有任何数据,75分位数的点为在一条射线上,从0分位数和75分位数点之间有75%的数据;
将分析集的对照组中的一个靶向目标物的转换比值标注在上述雷达图的同一条射线上,同理,将分析集的对照组中的6个靶向目标物的转换比值标注在上述雷达图的相应射线上,在样本组6个靶向目标物质转换比值的25分位数之间的雷达图上做出一条闭合线,在样本组6个靶向目标物质转换比值的100分位数之间在雷达图上做出一条闭合线,上述两条闭合线之间的区域为对照组模型区间,即:两条闭合直线之间的区域为对照组模型区间;25分位数的点为在一条射线上,从0分位数和25分位数点之间有25%的数据,100分位数的点为在一条射线上,从0分位数和100分位数点之间有100%的数据;
(8)模型参数的建立:首先计算分析集中,每个血液样本的6个靶向目标物浓度转换值的均值,记做R;观察模型中,每个血液样本的样本落在样本组模型区间内的靶向目标物的个数,记做N;
(9)模型判断方法:根据模型参数对分析样本进行判别,当R<0.9且N≥4时,判断该样本为样本组的血液样本,否则,判断该样本为对照组的血液样本;
(10)模型验证:将验证集中的样本组和对照组中的每个血液样本的6个靶向目标物的浓度依据步骤(3)至(4)得出相应的对照组参照值和样本组参照值为依据,将步骤(5)中的分析集用验证集替代,来计算该靶向目标物的转换值,将验证集中的样本组和对照组中每个血液样本的6个靶向目标物转换值带入上述模型,用步骤(8)和步骤(9)的判断方法来对验证集血液样本进行判别,计算模型的敏感性和特异性,敏感性为用该模型中验证出来的验证集中的样本组的血液样本个数与验证集中的血液样本个数的比值;特异性为用该模型中验证出来的验证集中的对照组血液样本个数与验证集中的对照组血液样本个数的比值,得到敏感性为0.90;得到特异性为0.88,敏感性和特异性均大于0.75,说明该模型建立成功。
以上所述的实施例仅仅是对本发明的优选实施方式进行描述,并非对本发明的范围进行界定,在不脱离本发明设计精神的前提下,本领域普通技术人员对本发明的技术方案作出的各种变形和改进,均应落入本发明的保护范围内。
Claims (5)
1.一种基于靶向代谢组学数据分析的模型建立方法,它包括以下步骤:
(1)筛选数据:选择一个样本群和一个对照群,该样本群和对照群中均包括40-200个血液样本,每个血液样本包括:2-50个靶向目标物;
(2)确定分析集与验证集:采用随机原则,将上述样本群中的一定比例的血液样本和对照群样本中同样比例的血液样本进行分组,分为分析集和验证集,在分析集中包括:样本组和对照组,在验证集中包括:样本组和对照组;
(3)统计计算分析集中对照组中的每个血液样本的一个靶向目标物的浓度,计算均值和中位数,以均值或中位数作为该靶向目标物的对照组参照值;
(4)统计计算分析集中样本组中步骤(3)的靶向目标物的浓度,计算均值和中位数,以均值或中位数作为该靶向目标物的样本组参照值;
(5)将分析集中样本组和对照组的上述靶向目标物的浓度转化成该分析集中样本组和对照组的靶向目标物的转换比值,其转换方法包括以下步骤之一:
(a)比较该靶向目标物的对照组参照值与该靶向目标物的样本组参照值的大小,当对照组参照值≥样本组参照值时,以该分析集中样本组和对照组的该靶向目标物的浓度为分子,以对照组参照值为分母来计算该分析集中样本组和对照组的该靶向目标物的转换比值;当对照组参照值<样本组参照值时,以该分析集中样本组和对照组的靶向目标物的浓度为分母,以对照组参照值为分子来计算该分析集中样本组和对照组的该靶向目标物的转换比值;
(b)比较该靶向目标物的对照组参照值与该靶向目标物的样本组参照值的大小,当对照组参照值≥样本组参照值时,以该分析集中样本组和对照组的该靶向目标物的浓度为分母,以对照组参照值为分子来计算该分析集中样本组和对照组的该靶向目标物的转换比值;当对照组参照值<样本组参照值时,以该分析集中样本组和对照组的该靶向目标物的浓度为分子,以对照组参照值为分母来计算该分析集中样本组和对照组的该靶向目标物的转换比值;
(6)重复上述步骤(3)至步骤(5),将分析集内样本组和对照组的血液样本所包括的2-50个靶向目标物浓度转化成为该靶向目标物转换比值,在同一模型中,只选择步骤(5)中的转换方法之一;
(7)用分析集中的所有血液样本的上述2-50个靶向目标物的转换比值做雷达图,来建立模型图:
在坐标图中,选择一点为圆点,以该圆点为圆心,均匀地作2-50条射线,相邻两条射线之间的夹角相同,在每条射线上均标有相同的长度单位,得到雷达图;
将分析集的样本组中的一个靶向目标物的转换比值标注在上述雷达图的同一条射线上,同理,将分析集的样本组中的2-50个靶向目标物的转换比值标注在上述雷达图的相应射线上,在样本组2-50个靶向目标物质转换比值的0-30分位数之间的雷达图上做出一条闭合线,在样本组2-50个靶向目标物质转换比值的70-100分位数之间的雷达图上做出一条闭合线,上述两条闭合线之间的区域为样本组模型区间;
将分析集的对照组中的一个靶向目标物的转换比值标注在上述雷达图的同一条射线上,同理,将分析集的对照组中的2-50个靶向目标物的转换比值标注在上述雷达图的相应射线上,在样本组2-50个靶向目标物质转换比值的0-30分位数之间的雷达图上做出一条闭合线,在样本组2-50个靶向目标物质转换比值的70-100分位数之间在雷达图上做出一条闭合线,上述两条闭合线之间的区域为对照组模型区间;
(8)模型参数的建立:首先计算分析集中,每个血液样本的2-50个靶向目标物浓度转换值的均值,记做R;观察模型中,每个血液样本的样本落在样本组模型区间内的靶向目标物的个数,记做N;
(9)模型判断方法:如果按照步骤(5)中(a)计算分析集中每个血液样本的2-50个靶向目标物的转换值,当R<0.85±0.15和/或N≥(0.5±0.4)*靶向目标物的个数时,判断该样本为样本组的血液样本,否则,判断该样本为对照组的血液样本;如果按照步骤(5)中(b)计算分析集中每个血液样本的2-50个靶向目标物的转换值,当R>1.15±0.15和/或N≥(0.5±0.4)*靶向目标物的个数时,判断该样本为样本组的血液样本,否则,判断该样本为对照组的血液样本;
(10)模型验证:将验证集中的样本组和对照组中的每个血液样本的2-50靶向目标物的浓度依据步骤(3)至(4)得出相应的对照组参照值和样本组参照值为依据,将步骤(5)中的分析集用验证集替代,来计算该靶向目标物的转换值,将验证集中的样本组和对照组中每个血液样本的2-50靶向目标物转换值带入上述模型,用步骤(8)和步骤(9)的判断方法来对验证集血液样本进行判别,计算模型的敏感性和特异性,敏感性为用该模型中验证出来的验证集中的样本组的血液样本个数与验证集中的血液样本个数的比值;特异性为用该模型中验证出来的验证集中的对照组血液样本个数与验证集中的对照组血液样本个数的比值,当敏感性和特异性均大于0.75时,说明该模型建立成功,否则重新调整步骤(7)中的样本组模型区间和对照组模型区间,直到敏感性和特异性均大于0.75为止。
2.如权利要求1所述的基于靶向代谢组学数据分析的模型建立方法,其特征在于:在步骤(2)中的一定比例为4:1至5:1。
3.如权利要求2所述的基于靶向代谢组学数据分析的模型建立方法,其特征在于:0分位数的点为在一条射线上,从圆点到0分位数点之间没有任何数据,30分位数的点为在一条射线上,从0分位数和30分位数点之间有30%的数据,70分位数的点为在一条射线上,从0分位数和70分位数点之间有70%的数据,100分位数的点为在一条射线上,从0分位数和100分位数点之间有100%的数据。
4.如权利要求3所述的基于靶向代谢组学数据分析的模型建立方法,其特征在于:所述靶向目标物为丙氨酸、缬氨酸、精氨酸、瓜氨酸、甘氨酸、组氨酸、亮氨酸、蛋氨酸、鸟氨酸、苯丙氨酸、酪氨酸、谷氨酸、天冬氨酸、乙酰肉碱、丙酰肉碱、丁酰肉碱、戊酰肉碱、己酰肉碱、辛酰肉碱、十四碳酰基肉碱或十六碳酰基肉碱。
5.如权利要求4所述的基于靶向代谢组学数据分析的模型建立方法,其特征在于:在步骤(3)和步骤(4)中,所述均值或中位数只选其中一个;并且在后续步骤(5)至步骤(10)中,均值或中位数的选择与步骤(3)和步骤(4)中均值或中位数的选择相同,即均值或中位数。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910159224.XA CN109752549B (zh) | 2019-03-04 | 2019-03-04 | 基于靶向代谢组学数据分析的模型建立方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910159224.XA CN109752549B (zh) | 2019-03-04 | 2019-03-04 | 基于靶向代谢组学数据分析的模型建立方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN109752549A true CN109752549A (zh) | 2019-05-14 |
CN109752549B CN109752549B (zh) | 2021-11-09 |
Family
ID=66408066
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910159224.XA Active CN109752549B (zh) | 2019-03-04 | 2019-03-04 | 基于靶向代谢组学数据分析的模型建立方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN109752549B (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110992357A (zh) * | 2019-12-17 | 2020-04-10 | 云南中烟工业有限责任公司 | 雷达图分析方法及存储该方法的介质和单片机及各自用途 |
Citations (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102103132A (zh) * | 2009-12-18 | 2011-06-22 | 中国科学院大连化学物理研究所 | 一种从体液代谢组轮廓筛选糖尿病标记物的方法 |
WO2013036892A1 (en) * | 2011-09-08 | 2013-03-14 | Attagene, Inc. | Systems and methods for assessment of biosimilarity |
CN104713971A (zh) * | 2015-04-01 | 2015-06-17 | 山东省肿瘤医院 | 一种基于lc-ms血清代谢组学技术分析血清代谢组学的方法 |
CN105301163A (zh) * | 2015-02-13 | 2016-02-03 | 天津桑尼匹克生物科技有限公司 | 一种测定生物体代谢产物的靶向代谢组学分析方法 |
CN105738526A (zh) * | 2016-03-11 | 2016-07-06 | 重庆市肿瘤研究所 | 筛选三阴性乳腺癌特异性血清代谢标志物的方法 |
CN106770857A (zh) * | 2016-12-13 | 2017-05-31 | 南京医科大学 | 一种基于代谢组学的动物模型抑郁程度评价的实验方法 |
CN107907693A (zh) * | 2017-11-22 | 2018-04-13 | 南宁科城汇信息科技有限公司 | 一种oa标志物的建立 |
CN108508123A (zh) * | 2018-03-07 | 2018-09-07 | 广西医科大学第附属医院 | 基于液质联用的红花抗硬皮病代谢组学分析方法 |
CN108931590A (zh) * | 2018-05-17 | 2018-12-04 | 北京和合医学诊断技术股份有限公司 | 多批次靶向代谢组学数据的校正方法 |
-
2019
- 2019-03-04 CN CN201910159224.XA patent/CN109752549B/zh active Active
Patent Citations (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102103132A (zh) * | 2009-12-18 | 2011-06-22 | 中国科学院大连化学物理研究所 | 一种从体液代谢组轮廓筛选糖尿病标记物的方法 |
WO2013036892A1 (en) * | 2011-09-08 | 2013-03-14 | Attagene, Inc. | Systems and methods for assessment of biosimilarity |
US20140323341A1 (en) * | 2011-09-08 | 2014-10-30 | Attagene, Inc. | Systems and methods for assessment of biosimilarity |
CN105301163A (zh) * | 2015-02-13 | 2016-02-03 | 天津桑尼匹克生物科技有限公司 | 一种测定生物体代谢产物的靶向代谢组学分析方法 |
CN104713971A (zh) * | 2015-04-01 | 2015-06-17 | 山东省肿瘤医院 | 一种基于lc-ms血清代谢组学技术分析血清代谢组学的方法 |
CN105738526A (zh) * | 2016-03-11 | 2016-07-06 | 重庆市肿瘤研究所 | 筛选三阴性乳腺癌特异性血清代谢标志物的方法 |
CN106770857A (zh) * | 2016-12-13 | 2017-05-31 | 南京医科大学 | 一种基于代谢组学的动物模型抑郁程度评价的实验方法 |
CN107907693A (zh) * | 2017-11-22 | 2018-04-13 | 南宁科城汇信息科技有限公司 | 一种oa标志物的建立 |
CN108508123A (zh) * | 2018-03-07 | 2018-09-07 | 广西医科大学第附属医院 | 基于液质联用的红花抗硬皮病代谢组学分析方法 |
CN108931590A (zh) * | 2018-05-17 | 2018-12-04 | 北京和合医学诊断技术股份有限公司 | 多批次靶向代谢组学数据的校正方法 |
Non-Patent Citations (1)
Title |
---|
李绍石: "农民能学会用的简单图示统计分析", 《植保技术与推广》 * |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110992357A (zh) * | 2019-12-17 | 2020-04-10 | 云南中烟工业有限责任公司 | 雷达图分析方法及存储该方法的介质和单片机及各自用途 |
CN110992357B (zh) * | 2019-12-17 | 2023-04-14 | 云南中烟工业有限责任公司 | 雷达图分析方法及存储该方法的介质和单片机及各自用途 |
Also Published As
Publication number | Publication date |
---|---|
CN109752549B (zh) | 2021-11-09 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN103776891B (zh) | 一种检测差异表达蛋白质的方法 | |
CN105574474A (zh) | 一种基于质谱信息的生物特征图像识别方法 | |
EP1614140A2 (en) | Mass spectrometry data analysis techniques | |
CN111479934A (zh) | 用于诊断和治疗监测的生物学指标的鉴定和用途 | |
CN109781917A (zh) | 一种基于分子地图的生物样本智能识别方法 | |
EP3019624A2 (en) | Biomarkers of autism spectrum disorder | |
US20040143402A1 (en) | System and method for scoring peptide matches | |
CN109870533B (zh) | 一种基于分子地图的生物样本快速智能识别方法 | |
CN109752549A (zh) | 基于靶向代谢组学数据分析的模型建立方法 | |
CN102103132A (zh) | 一种从体液代谢组轮廓筛选糖尿病标记物的方法 | |
CN117747106A (zh) | 一种高血压人群脑卒中风险预测模型的构建方法及系统 | |
Yaro et al. | Outlier detection performance of a modified Z-score method in time-series RSS observation with hybrid scale estimators | |
CN107076753B (zh) | 肥胖人群特异性生物标志组合物及其用途 | |
CN118011003A (zh) | 一种用于诊断胃癌的生物标志物组合物及其应用 | |
CN110501443B (zh) | 无创识别/预警脂肪肝奶牛的新型生物标记物 | |
CN112415208A (zh) | 一种评价蛋白组学质谱数据质量的方法 | |
JP6731957B2 (ja) | 子宮内膜癌の診断方法 | |
CN111595888A (zh) | 一种基于高场核磁共振技术检测多肽药物结构的方法 | |
CN109947250A (zh) | 脑-机接口通信方法及装置、计算机可读存储介质和终端 | |
Zou et al. | Pattern recognition and pathway analysis with genetic algorithms in mass spectrometry based metabolomics | |
CN115825258A (zh) | 一种基于糖肽的早期肝癌与肝硬化的评估方法 | |
Laousy et al. | Deep reinforcement learning for l3 slice localization in sarcopenia assessment | |
Loos | Mining of High-Resolution Mass Spectrometry Data to Monitor Organic Pollutant Dynamics in Aquatic Systems | |
Sui et al. | Proteomic profiling of uremia in serum using magnetic bead-based sample fractionation and MALDI-TOF MS | |
CN103483442B (zh) | 检测龋齿蛋白的质谱模型及构建方法 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |