3.3. Principal components analysis (PCA)PCA is a clustering method tha的简体中文翻译

3.3. Principal components analysis

3.3. Principal components analysis (PCA)PCA is a clustering method that reduces the dimensionality of multivariate data while preserving most of its variance (Eriksson et al., 2006). The mineral nutrients in tomato fruits cultured using organic and chemical fertilizers with and without pesticides were subjected to PCA to outline the differences between the culture sys- tems. As shown in Fig. 2A, the contents of mineral nutrients were generally separated between organic and chemical fertilizer appli- cation by both principal component 1 (PC1) and PC2. This separation occurred in the first two principal components, which cumulatively accounted for 88.06% of the total variation. There was no indication of a separation between pesticide application and no-pesticide application using either organic or chemical fertilizers.Fig. 2B shows the loading scores of the mineral nutrients. The contents of K and Ca in tomato fruits were positively discriminat- ing components of the PC1 scores and negatively discriminating components of the PC2 scores, respectively.Fig. 2C shows the PCA results for soluble metabolites between organic and chemical fertilizer applications with and without pesti- cide applications. The graph (Fig. 2C), which plots PC1 scores versus PC2 scores, clearly discriminates between the metabolic profiles of tomatoes grown with organic versus chemical fertilizer, but no dif- ference was found between pesticide application and no-pesticide application. It also shows the contribution of the soluble metabo- lites to the scores, because the separation only occurred along PC2.The low field regions (d 5.3–9.2 ppm) of the H NMR spectra were extracted from the whole spectra and analysed by PCA, gaining more chemical information in this area (Fig. 2D). Fig. 2E shows the variables with more than 0.1 negative and positive PC2 loading scores of both the whole and low field regions in PCA. Aliphatic pro- tons from organic acids, amino acids, and sugars contributed to the discrimination. A part of sugar region (d 3.6–4.0 ppm) contributed to negative PC2 scores, whereas the amino acid and organic acid regions (d 3.5 ppm) and phenolics regions (d 6.0 ppm) contrib- uted to positive PC2 scores. PC2 scores greater than ±0.2 corre- sponded to d 3.818, 3.386, 7.31, 7.346 and 7.418 ppm.3.4. H– C HSQC spectraTo identify the signals contributing to PC2 scores, 1H–13C HSQC spectra were obtained. Fig. 3A–C show the HSQC spectra of the region of d 5.3–8.2 ppm, the sugar region (d 3.1–5.2 ppm), and the organic and amino acid region (d 3.1 ppm). The signals were assigned by using the PRIMe website (http://prime.psc.riken.jp) and the Human Metabolome Database website (http:// www.hmdb.ca) in Supplemental Table 3. A summary of the identi- fied signals contributing to PC2 loading scores greater than ±0.1 is presented in Table 2. Monosaccharides (glucose and fructose) and disaccharides (sucrose and maltose) affected the PC2 scores of chemical fertilizer applied tomatoes, while amino acids (phenylal- anine, histidine, tyrosine, glutamine, aspartate) and citrate affected the PC2 scores of organic fertilizer applied tomatoes. Chlorogenate,glucuronate and sorbitol also influenced PC2 scores of organic fer- tilizer applied tomatoes.
0/5000
源语言: -
目标语言: -
结果 (简体中文) 1: [复制]
复制成功!
3.3。主成分分析(PCA)<br>PCA是减少多变量数据的维数,同时保留其大部分方差的聚类方法(Eriksson等人,2006)。在番茄果实的矿质营养素使用有机和化学肥料具有和不具有杀虫剂进行PCA来勾勒培养SYS-TEMS之间的差异进行培养。如图2A中所示,矿质营养素的内容物通常是有机和化肥appli-阳离子之间通过两个主成分1(PC1)和PC2分离。这种分离发生在第一两个主成分,其累积地占总变异的88.06%。没有使用有机或化学肥料农药应用和无农药应用程序之间的分离的指示。<br>图2B示出的矿质营养素的装载分数。K和Ca的番茄果实的内容物正判别PC1分数分量和分别带负判别PC2分数分量。<br>图2C示出了用于有机和化肥的应用有和没有pesti- CIDE应用之间可溶性的代谢物的PCA的结果。的曲线图(图2C),该曲线PC1分数与PC2的分数,显然与有机与化肥生长的西红柿的代谢图谱之间进行区分,但被发现施药和无农药施用之间没有昼夜温差ference。这也显示的是可溶性metabo-玻璃薄片,以分数的贡献,因为分离仅沿PC2发生。<br>的1 H NMR光谱的低场区域(d 5.3-9.2 ppm的)从整个光谱萃取并通过PCA分析,在该区域(图2D)获得更多的化学信息。图2E示出了具有超过0.1负和在PCA都整体和低场区域的正PC2装载分数的变量。选自有机酸,氨基酸和糖脂肪族亲吨促成了歧视。糖区(d ppm的3.6-4.0)的一部分有助于负PC2的分数,而氨基酸和促成积极PC2分数有机酸区域(d为3.5ppm)和酚醛树脂的区域(d 6.0 ppm)表示。PC2的分数大于±0.2任意一台sponded到d 3.818,3.386,7.31,7.346和7.418 ppm的。<br>3.4。H-ÇHSQC谱<br>为了鉴定有助于PC2分数的信号,获得1H-13C HSQC谱。图3A-C示出d 5.3-8.2 ppm,则糖区(d 3.1-5.2 ppm的)的区域的HSQC谱,有机和氨基酸的区域(d 3.1 ppm)表示。在补充表3 A中的identi-的概要:(// www.hmdb.ca HTTP)的信号通过使用所述原网站(http://prime.psc.riken.jp)和人代谢物组数据库网站分配的化肥施加西红柿有助于PC2装载得分高于±0.1更大的田间信号被呈现在表2中的单糖(葡萄糖和果糖)和二糖(蔗糖和麦芽糖)影响了PC2的分数,而氨基酸(phenylal- anine,组氨酸,酪氨酸,谷氨酰胺,天门冬氨酸)和柠檬酸影响有机肥料的PC2分数施加西红柿。绿原,
正在翻译中..
结果 (简体中文) 2:[复制]
复制成功!
3.3. 主要成分分析<br>PCA 是一种聚类方法,它减少了多变量数据的维数,同时保留了大部分方差(Eriksson 等人,2006 年)。使用有机和化肥培养的番茄果实中的矿物质营养素,带无农药,采用PCA,勾勒出培养系统与植物体之间的差异。如图2A所示,主要成分1(PC1)和PC2一般将矿物营养素的含量在有机和化肥施用之间分离。这种分离发生在前两个主要组分,累计占总变异的88.06%。没有迹象表明使用有机肥料或化肥将农药施用与无农药施用分开。<br>图2B显示了矿物营养素的载荷分数。番茄果实中的K和Ca含量分别为PC1分数中的正分分和PC2评分的负分分。<br>图2C显示了有机肥和化肥施用中无害虫施用的可溶性代谢物的PCA结果。该图(图2C)绘制了PC1分数与PC2分数,清楚地区分了用有机肥料和化肥种植的西红柿的代谢特征,但农药施用和无农药施用之间没有发现二分法。它还显示了可溶性代谢物对分数的贡献,因为分离只发生在PC2上。<br>H NMR光谱的低场区域(d 5.3-9.2 ppm)从整个光谱中提取,并通过PCA进行分析,从而获得这方面的更多化学信息(图2D)。图 2E 显示了 PCA 中整个场区和低场区域的 0.1 个以上负数和正值 PC2 加载分数的变量。有机酸、氨基酸和糖的脂肪亲吨促成了这种歧视。糖区(d 3.6–4.0 ppm)的一部分导致PC2得分为负数,而氨基酸和有机酸区(d 3.5 ppm)和酚类区域(d 6.0 ppm)则与正PC2分分成正数。PC2 得分大于 ±0.2, 高于 d 3.818、 3.386、 7.31、 7.346 和 7.418 ppm。<br>3.4. H= C HSQC 光谱<br>为了识别对PC2分数的贡献信号,获得了1H~13C HSQC光谱。图3A+C显示了区域的HSQC光谱d 5.3~8.2ppm、糖区(d 3.1±5.2 ppm)以及有机和氨基酸区(d 3.1 ppm)。信号是使用补充表3中的PRIMe网站(http://prime.psc.riken.jp)和人类metabolome数据库网站(http://www.hmdb.ca)分配的。表 2 中提供了导致 PC2 加载分数大于 ±0.1 的识别信号的摘要。单糖(葡萄糖和果糖)和脱糖(蔗糖和麦芽糖)影响施用番茄的化肥的PC2分数,而氨基酸(苯胺、组氨酸、酪氨酸、谷氨酰胺、青酸盐)和丁酸盐影响施用番茄的有机肥料的PC2分数。氯酸、葡萄糖酸盐和山梨醇也影响了有机肥料切片机施用的番茄的PC2分数。
正在翻译中..
结果 (简体中文) 3:[复制]
复制成功!
3.3条。主成分分析<br>PCA是一种聚类方法,它在保留大部分方差的同时降低了多变量数据的维数(Eriksson等人,2006)。采用主成分分析法(PCA)对有机肥和化肥配施和不配施农药栽培的番茄果实矿质营养成分进行了比较,分析了两种栽培制度的差异。如图2A所示,矿质营养素的含量通常在施用有机肥和化肥时通过主成分1(PC1)和PC2进行分离。这种分离发生在前两个主成分中,累计占总变异的88.06%。没有迹象表明施用农药与不施用有机或化学肥料之间存在分离。<br>图2B显示了矿物质营养素的负荷分数。番茄果实中K、Ca含量分别为PC1分的正判别分量和PC2分的负判别分量。<br>图2C显示了施用杀虫剂和不施用杀虫剂的有机肥料和化学肥料之间可溶性代谢物的主成分分析结果。图(图2C)描绘了PC1得分与PC2得分,清楚地区分了有机肥料与化学肥料栽培的番茄的代谢曲线,但没有发现农药施用与不施用农药之间的差异。这也显示了可溶性代谢产物对评分的贡献,因为分离只发生在PC2上。<br>从整个谱中提取核磁共振谱的低场区(d 5.3-9.2ppm),并用主成分分析法进行分析,获得该区域的更多化学信息(图2D)。图2E显示了PCA中整个和低场区域的PC2负和正加载分数均大于0.1的变量。来自有机酸、氨基酸和糖的脂肪族物质有助于区分。一部分糖区(d 3.6-4.0ppm)导致PC2得分为负,而氨基酸区、有机酸区(d3.5ppm)和酚类区(d 6.0ppm)导致PC2得分为正。PC2得分大于±0.2,对应于d 3.818、3.386、7.31、7.346和7.418ppm。<br>3.4条。H-C HSQC光谱<br>为了确定导致PC2评分的信号,获得了1H–13C HSQC谱。图3A-C显示了d 5.3–8.2 ppm区域、糖区域(d 3.1–5.2 ppm)和有机和氨基酸区域(d 3.1 ppm)的HSQC光谱。使用补充表3中的PRIMe网站(http://PRIMe.psc.riken.jp)和人类元组数据库网站(http://www.hmdb.ca)分配信号。表2总结了导致PC2加载分数大于±0.1的识别信号。单糖(葡萄糖和果糖)和二糖(蔗糖和麦芽糖)影响施用化肥番茄的PC2得分,而氨基酸(苯丙氨酸、组氨酸、酪氨酸、谷氨酰胺、天冬氨酸)和柠檬酸则影响施用有机肥番茄的PC2得分。绿原酸、葡萄糖醛酸盐和山梨醇也影响有机肥料施用番茄的PC2评分。<br>
正在翻译中..
 
其它语言
本翻译工具支持: 世界语, 丹麦语, 乌克兰语, 乌兹别克语, 乌尔都语, 亚美尼亚语, 伊博语, 俄语, 保加利亚语, 信德语, 修纳语, 僧伽罗语, 克林贡语, 克罗地亚语, 冰岛语, 加利西亚语, 加泰罗尼亚语, 匈牙利语, 南非祖鲁语, 南非科萨语, 卡纳达语, 卢旺达语, 卢森堡语, 印地语, 印尼巽他语, 印尼爪哇语, 印尼语, 古吉拉特语, 吉尔吉斯语, 哈萨克语, 土库曼语, 土耳其语, 塔吉克语, 塞尔维亚语, 塞索托语, 夏威夷语, 奥利亚语, 威尔士语, 孟加拉语, 宿务语, 尼泊尔语, 巴斯克语, 布尔语(南非荷兰语), 希伯来语, 希腊语, 库尔德语, 弗里西语, 德语, 意大利语, 意第绪语, 拉丁语, 拉脱维亚语, 挪威语, 捷克语, 斯洛伐克语, 斯洛文尼亚语, 斯瓦希里语, 旁遮普语, 日语, 普什图语, 格鲁吉亚语, 毛利语, 法语, 波兰语, 波斯尼亚语, 波斯语, 泰卢固语, 泰米尔语, 泰语, 海地克里奥尔语, 爱尔兰语, 爱沙尼亚语, 瑞典语, 白俄罗斯语, 科西嘉语, 立陶宛语, 简体中文, 索马里语, 繁体中文, 约鲁巴语, 维吾尔语, 缅甸语, 罗马尼亚语, 老挝语, 自动识别, 芬兰语, 苏格兰盖尔语, 苗语, 英语, 荷兰语, 菲律宾语, 萨摩亚语, 葡萄牙语, 蒙古语, 西班牙语, 豪萨语, 越南语, 阿塞拜疆语, 阿姆哈拉语, 阿尔巴尼亚语, 阿拉伯语, 鞑靼语, 韩语, 马其顿语, 马尔加什语, 马拉地语, 马拉雅拉姆语, 马来语, 马耳他语, 高棉语, 齐切瓦语, 等语言的翻译.

Copyright ©2024 I Love Translation. All reserved.

E-mail: