Quantification of plasma lipids and apolipoproteins by use of proton NMR spectroscopy, multivariate and neural network analysis
Notice bibliographique
Résumé
New approaches for quantification of human blood plasma lipids and apolipoproteins are presented. One method is based on multivariate analysis of proton nuclear magnetic resonance spectra of human blood plasma. Although similar approaches have been developed previously, this is the first time principal component analysis (PCA) and partial least squares regression (PLS) have been applied to this particular task. Further, a large proportion of the subjects in this study were cancer patients undergoing treatment, which introduced a new dimension to the quantification of lipoprotein distributions. Calibration models for prediction of lipids and apolipoproteins were constructed by use of PLS, and blind samples were used to test the predictive ability. Comparison of the predicted vs observed data obtained by standard clinical chemical procedures gave good agreement; the correlation coefficient for total plasma triglyceride was 0.99, for total plasma cholesterol 0.98, for LDL cholesterol 0.97, and for HDL cholesterol 0.88. These results are comparable with those obtained with other methods. The quantitative analysis of 14 components (including total cholesterol and total triglyceride) of human blood plasma was also undertaken using various neural network (NN) analyses of selected portions of the spectra. Conventional fully connected backpropagation neural network topologies were capable of providing excellent predictions for the majority of the variables, confirming and reinforcing literature related to this approach. However HDL triglycerides were poorly predicted, while intermediate-quality results were obtained for the LDL cholesterol, plasma apoA1 and LDL apoB variables. In these instances, applying significantly different neural network algorithms involving either general regression or polynomial neural networks in combination with genetic adaptive components for parameter optimisation made improved predictions. Copyright © 2000 John Wiley & Sons, Ltd. Abbreviations used: ApoA1 apolipoprotein A1 ApoB apolipoprotein B FID free induction decay GMDH group method of data handling GRNN general regression neural network HDL high density lipoprotein IDL intermediate density lipoprotein LDL low density lipoprotein NN neural network PCA principal component analysis PLS partial least squares RBF radial basis function VLDL very low density lipoprotein
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Comment cette classification a été obtenuedéplier
Prédiction machine sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,001 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,000 |
| Bibliométrie | 0,002 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,001 |
| Communication savante | 0,001 | 0,001 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,001 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,001 | 0,000 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule source (Gemma direct ou Codex distillé), pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».