生物信息学—代谢组学

提供商 ：上海中科新生命生物科技有限公司

对代谢组学数据进行分析的首要目的是从鉴定到的大量代谢物中筛选一部分具有统计学和生物学意义的代谢物，并以此为基础阐明生物体的代谢过程和变化的机制。很多情况下，鉴定到的代谢物之间表达量和表达模式是有一定相关性的，例如处于同一代谢途径上下游的代谢物。

代谢组学数据分析及生物信息分析主要内容包括：

♦ 主成分分析（PCA）

♦ 多维统计：PLS-DA/OPLS-DA二维图

♦ 单变量统计：火山图

♦ 差异代谢物聚类分析

♦ 差异代谢物KEGG通路分析

※主成分分析（PCA）

主成分分析（Principal Component Analysis, PCA）是一种非监督的数据分析方法，它将原本鉴定到的所有代谢物重新线性组合，形成一组新的综合变量，同时根据所分析的问题从中选取几个综合变量，使它们尽可能多地反映原有变量的信息，从而达到降维的目的。

图1 QC样本PCA得分图 （红色为重叠的多个QC样本）

※ 多维统计：PLS-DA/OPLS-DA二维图

偏最小二乘判别分析（PLS-DA）

不同于主成分分析（PCA）法，偏最小二乘判别分析（Partial Least Squares Discrimination Analysis, PLS-DA）是一种有监督的判别分析统计方法。该方法运用偏最小二乘回归建立代谢物表达量与样品类别之间的关系模型，来实现对样品类别的预测。

图2 PLS-DA得分图

正交偏最小二乘判别分析（OPLS-DA）

正交偏最小二乘判别分析（OPLS-DA）是一种对PLS-DA进行修正的分析方法，可以滤除与分类信息无关的噪音，提高了模型的解析能力和有效性。

图3 OPLS-DA得分图

※ 单变量统计：火山图

单变量分析方法是最简单常用的实验数据分析方法，可以直观地显示两样本间代谢物变化的显著性，从而帮助我们筛选潜在的标志代谢物。

图4 火山图（Volcano Plot）

※ 差异代谢物聚类分析

利用定性的显著性差异代谢物的表达量对各组样本进行层次聚类（Hierarchical Clustering），从而辅助我们准确地筛选标志代谢物，并对相关代谢过程的改变进行研究。

图5 正离子模式显著性差异代谢物层次聚类结果

※ 差异代谢物KEGG通路分析

将得到的相应差异代谢物提交到KEGG网站，进行相关通路分析。

图6 KEGG代谢通路分析图

---

中科新生命 · 质谱系统解决方案专家

▼

生物医药结构确证

蛋白质组 - 修饰蛋白质组 - 代谢组 - 脂质组

▼

技术支持

公众号 · 行业动态

www.aptbiotech.com T: 021-54665263 E: info_apt@sibs.ac.cn Q: 1875681852