Effect of different pretreatment methods on classification of serum samples measured with 1 H-NMR
Notice bibliographique
Résumé
Abstract Extracting accurate biological information from complex datasets is a main challenge in 1H-NMR-based metabolomics research. One of the crucial steps to achieve this goal is to apply an appropriate pretreatment method before multivariate data analysis in 1H-NMR based metabolomics studies. One of the most important pretreatment methods in metabolomics studies is scaling techniques. In this study, the effect of different pretreatment approaches such as auto-, pareto-, level-, range- and vast-scaling in addition to mean-centering are investigated on both experimental and simulated datasets. The goal is linear classification modeling of the toxicity induced by different doses of graphene oxide (GO) in metabolomics context, employing partial least squares- discriminant analysis) PLS-DA). The experimental dataset includes 1H-NMR spectra of mice serum samples exposed to different doses of GO nano-sheets. Here, it is shown that type of applied pre-treatment method has a considerable effect on data analysis results. In this study, auto-, pareto- and vast-scaling lead to a better separation of classes using PLS-DA modeling and PCA. From the results of this study, it was concluded that there is no general rule for the selection of the best scaling method in the analysis of 1H-NMR metabolomics datasets, and different ways of scaling should be tested.
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 | 0,002 | 0,005 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,001 | 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 ».