1. 质量控制（QC）：在进行基于质谱技术的代谢组学研究时，为了获得可靠且高质量的代谢组学数据，通常需进行质量控制（quality control, QC)。QC只是对样本检测结果所做的一个展示，并未对数据进行筛选和“漂洗”等操作。

2. 质量保证（QA）：为了发现生物标记物，潜在的特征峰在QC样本中的相对标准偏差（relative standard deviation，RSD），即变异系数不能超过30%，如果超过的话，相关特征峰应予以删除。所以，在QC基础上，通常会进行QA，用来删除QC样本中重复性差的特征峰（features），以便获得更高质量的数据集，更有利于生物标记物的检测。

3. 总结：QC是为了发现问题，检查在样本检测过程中是否存在异常；QA是为了筛选更可信的特征峰进行后续分析。

由于代谢组数据具有多维且某些变量间高度相关的特点，运用传统的单变量分析无法快速、充分、准确地挖掘数据内潜在的信息。因此在分析代谢组数据需要运用化学计量学原理和多元统计的方法，对采集的多维数据进行降维和归类分析，从而挖掘提炼出最有用的信息。

目前主流的代谢组多元统计分析具体会进行如下三步曲：

1. 主成分分析 （Principal Component Analysis, PCA）：观察所有样本之间的总体分布趋势，找出可能存在的离散点。

2. 偏最小二乘判别分析 （Partial Least Squares-Discriminant Analysis, PLS-DA）：目前代谢组学数据分析中最常使用的一种分类方法，它在降维的同时结合了回归模型，并利用一定的判别阈值对回归结果进行判别分析。

3. 正交-偏最小二乘判别分析 (Orthogonal Partial Least Squares Discriminant Analysis, OPLS-DA）：代谢组学数据分析中另一种常用的方法，是PLS-DA的扩展，可最大程度查看组间差异。

1. 聚类分析被用于判断代谢物在不同实验条件下的代谢模式。以不同实验条件下代谢物的相对值为代谢水平，做层次聚类（hierarchical clustering）分析，结果以热图表示。热图表现的是一个数据矩阵，通过使用颜色梯度使数据间的差异实现可视化，通过数据缩放，保留较大差异，同时也能突显较小差异。不同颜色的区域代表不同的聚类分组信息，同组内的代谢模式相似，可能具有相似的功能或参与相同的生物学过程。因此通过将代谢模式相同或者相近的代谢物聚成类，可以用来推测已知或未知代谢物的生物学功能。

2. 将所有样本及相关数据进行距离矩阵计算，并采用层次聚类（hierarchical cluster）对所有样本进行聚类，形成表现样本间相似度的树状图。层次聚类指的是从下而上地合并cluster，具体而言，就是每次找到距离最短的两个cluster，然后进行合并成一个大的cluster，直到全部合并为一个cluster，整个过程就是建立一个树结构的过程。

3. 总结：代谢物层次聚类分析主要是用来将代谢物据成类，观察代谢物分群的情况；样本树状图分析主要是用来对样本进行聚类，观察样本之间的关系。

差异代谢物关联分析的目的是研究代谢物之间变化趋势的一致性，通过计算所有代谢物两两之间的皮尔森相关系数或斯皮尔曼等级相关系数来分析各个代谢物间的相关性。代谢物相关性往往揭示了代谢物之间变化的协同性：与某类代谢物变化趋势相同，则为正相关；与某类代谢物变化趋势相反，则为负相关。

返回搜狐，查看更多