代谢组学metabolomics

RESULT DISPLAY结果展示

1、PCA分析

主成分分析(principal component analysis, 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。


2、差异代谢物火山图

使用的卡值标准为学生t检验(Student’s t-test)的P值(P-value) 小于0.05,同时OPLS-DA模型第一主成分的变量投影重要度(Variable Importance in the Projection, VIP)大于1筛选差异代谢物并绘制对应的火山图。


3、差异代谢物相关性分析

相关性分析是指对两个或多个具备相关性的变量元素进行分析,从而衡量两个变量因素的相关密切程度,两个变量之间的相关程度通过相关系数r 来表示。相关系数r的值在-1和1之间,但可以是此范围内的任何值。正相关时,r值在0和1之间;负相关时,r值在-1和0之间。r的绝对值越接近1,两变量的关联程度越强,r的绝对值越接近0,两变量的关联程度越弱。

4、Bi-plot分析

所有数据进行Bi-plot分析能从总体上反应各组样本之间的总体代谢差异和组内样本之间的变异度大小,同时可以直观地观察样品和代谢物之间的关系。通过对数据进行中心化(CTR)格式化处理, 以获得更加可靠且更加直观的结果。图中,点的不同颜色表示不同样本分组信息,箭头方向表示对应物质在周围区域样本含量信息,箭头越长,含量表达越高。