OPLS-DA原理及图表

  • 格式:docx
  • 大小:242.83 KB
  • 文档页数:5

1.OPLS简介
正交偏小二乘法(Orthogonal projections to latent structures (OPLS))是一种新型的多元统计方法,它由Johan Tryggde等人于2002年提出。

近十年来,这种方法在理论和应用方面得到了迅速的发展,并在计量化学中有大量的应用。

OPLS是一种多因变量对多自变量的回归建模方法,其大的特点是可以去除自变量X中与分类变量Y无关的数据变异,使分类信息主要集中在一个主成分中,从而模型变得简单和易于解释,其判别效果及主成分得分图的可视化效果更加明显。

2.OPLS原理
OPLS从给定的数据集X中移除系统正交变量,并把这些正交变量和非正交变量区分开来,可以对这些正交变量单独进行分析。

OPLS方法利用响应变量Y中的信息把X分成三部分。


X = T P P T P + T O P T O + E
其中,T P表示X的预测的得分矩阵,P T P表示X的预测载荷矩阵,T P P T P表示预测部分,T O表示X与Y的正交成分(称为OPLS成分)的得分矩阵,P T O表示对应的载荷矩阵,T O P T O表示与Y正交的部分,E为残差矩阵。

OPLS方法的实现通过两步完成:
第一步,与Y正交的变量从X数据矩阵中剔除,即
X P= X − T O P T O
其中T O是与Y正交成分的得分矩阵,P T O是与其对应的载荷矩阵。

第二步,对X P进行偏小二乘分析。

图1 OPLS的概述图
1.OPLS-DA图表简述
[1].OPLS-DA的得分图
OPLS-DA 得分图的横坐标表示OSC过程中的主要成分的得分值(Tp),所以从横坐标的方向可以看到组间的差异;纵坐标表示
OSC过程中的正交成分的得分值(TO);所以从纵坐标上看出组内的
差异(组内样本间的差异)
图2 OPLS-DA得分图
[2].OPLS-DA 的S-plot图
S-plot图的横坐标表示主成份与代谢物的协相关系数,纵坐标表示主成份与代谢物的相关系数。

S-plot图一般用来挑选与OSC过程中主要成分的相关性比较强的代谢物,从另一方面同时也可以挑选与Y相关性强的代谢物。

越靠近两个角的代谢物重要度越强。

红色的点表明这些代谢物的VIP值大于等于1,绿色的点表示这些代谢物的VIP值小于等于1。

图3 OPLS-DA S-plot
[3].OPLS-DA的模型验证permutation Test图
模型验证permutation Test图的横坐标表示模型的准确率,纵坐标表示200次permutation Test中200个模型的准确率的频数,箭头表示本OPLS-DA模型准确率所在的位置,其中R2X和R2Y分别表示所建模型对X和Y矩阵的解释率,Q2标示模型的预测能力,理论上R2、Q2数值越接近1说明模型越好,越低说明模型的拟合准确性越差,通常情况下,R2、Q2高于0.5较好,高于0.4即可接受。

从图中可以看出Q2为0.994,R2Y为1,R2X为0.685,Q2和R2Y的P 值均为0.005,说明permutation Test中只有1个随机分组模型结果优于本OPLS-DA模型,一般情况下P<0.05时模型较佳。

图4OPLS-DA的验证图
迈维代谢提供的服务包括针对各种不同类型的标本制备(包括血液、尿液、组织提取液和脊髓液等,可根据客户的实际要求来设计和优化实验方案)和不同平台的质谱数据采集及解析、统计学及代谢通路分析。

迄今为止,迈维代谢已经为中国市场的客户提供超过30000份的标本分析服务,项目类别涵盖临床研究、疾病机理、动植物研究及中药药理等多个领域。