- 文本
- 历史
To identify the differential metabo
To identify the differential metabolites of CRC, the metabolomes of tumor tissues were compared with that of matched adjacent mucosa. Supplementary Table 1 shows the demographic characteristics and clinicopathological features of 51 CRC patients. Mass spectrometry detected 4,526 and 4,765 variables in negative electrospray ionization (ESI-) and positive electrospray ionization (ESI+), respectively. Multivariate analysis was performed on the result of mass spectrometry to find metabolites that mostly discriminated the study groups. Principal component analysis (PCA) was the unsupervised analysis method, which was used for dimension reduction of data through making a linear combination of variables known as principal components. PCA analysis can reveal trends in the data and groups of observations and find outliers. Although a weak trend in clustering according to the PCA plot based on tumor tissue and adjacent mucosa was observed, the PCA analysis results showed a separation of tumor tissue and adjacent mucosa into two clusters (Figures 1A,D). To further study the differences between tumor tissue and adjacent mucosa and to find potential biomarkers, the supervised multivariate statistical method OPLSDA was subsequently used. OPLS-DA is a supervised analysis method that is employed to divide the samples into different groups, including tumor tissue and adjacent mucosa, which was performed to find metabolites that mostly discriminated the studied groups in each comparison. The classification results are shown in Figures 1B,E. To guard against model overfitting, permutation tests (100 random permutations) were performed. These permutation tests were used to contrast the goodness of fit of the original model with the goodness of fit of randomly permuted models. As shown in Figures 1C,F, the validation plots strongly indicated that the original combined models were valid. No overfitting was observed. A total of 373 metabolites (296 higher and 77 lower) were identified with the criteria of Variable important for the projection (VIP) score >1.5 and P-values of
0/5000
为了鉴定CRC的差异代谢物，将肿瘤组织的代谢组与匹配的相邻粘膜的代谢组进行了比较。补充表1显示了51名CRC患者的人口统计学特征和临床病理特征。质谱分别检测到负电喷雾电离（ESI-）和正电喷雾电离（ESI +）中的4,526和4,765个变量。对质谱结果进行了多变量分析，以发现大多数区分研究组的代谢物。主成分分析（PCA）是一种无监督的分析方法，它通过对变量进行线性组合来减少数据量，这些变量被称为主成分。PCA分析可以揭示数据和观测组中的趋势，并发现异常值。尽管根据基于肿瘤组织和邻近粘膜的PCA图观察到了聚类的趋势较弱，但PCA分析结果显示肿瘤组织和邻近粘膜分为两个聚类（图1A，D）。为了进一步研究肿瘤组织与邻近粘膜之间的差异并寻找潜在的生物标志物，随后采用了监督多元统计方法OPLS？DA。OPLS-DA是一种监督分析方法，可用于将样品分为不同的组，包括肿瘤组织和邻近的粘膜，该方法用于查找在每次比较中大多数区分研究组的代谢物。分类结果示于图1B，E。为了防止模型过度拟合，进行了置换测试（100个随机置换）。这些置换测试用于对比原始模型的拟合优度和随机置换模型的拟合优度。如图1C，F所示，验证图强烈表明原始组合模型有效。没有观察到过度拟合。总共鉴定出373种代谢产物（较高的296种，较低的77种），其变量标准对于预测（VIP）得分> 1.5和P值
正在翻译中..
为了识别CRC的微分代谢物，肿瘤组织的代谢与相匹配的相邻粘膜的代谢进行了比较。补充表1显示了51名CRC患者的人口特征和临床病理特征。质谱分别检测到负电胶电化（ESI-）和正电胶电离子化（ESI+）中的4，526个和4，765个变量。对质谱学的结果进行了多变量分析，以发现主要歧视研究组的代谢物。主要组件分析 （PCA） 是无人监督的分析方法，它用于通过将变量的线性组合称为主要组件来减少数据的尺寸。PCA 分析可以揭示数据和观察组的趋势，并找出异常值。虽然观察到基于肿瘤组织和相邻粘膜的PCA图聚合趋势较弱，但PCA分析结果显示肿瘤组织和相邻粘膜分离成两个集群（图1A，D）。为了进一步研究肿瘤组织与相邻粘膜之间的差异，并找到潜在的生物标志物，随后采用了受监督的多变量统计方法OPLSDA。OPLS-DA 是一种监督分析方法，用于将样本分成不同的组，包括肿瘤组织和相邻粘膜，用于发现在每个比较中大多歧视研究组的代谢物。分类结果显示在图 1B，E 中。为了防止模型过度拟合，进行了排列测试（100 个随机排列）。这些排列测试用于对比原始模型的适合性与随机渗透模型的适合性。如图 1C、F 所示，验证图强烈表明原始组合模型有效。没有观察到过度拟合。共确定了 373 个代谢物（296 个更高和 77 个较低），符合预测 （VIP） 分数>1.5 和 P 值的可变重要标准
正在翻译中..
为了鉴别大肠癌的不同代谢产物，将肿瘤组织的代谢组与癌旁粘膜的代谢组进行比较。补充表1显示了51例大肠癌患者的人口统计学特征和临床病理学特征。质谱法检测到4526和4765个变量分别在负电喷雾电离（ESI-）和正电喷雾电离（ESI+）。对质谱分析结果进行多变量分析，以找出主要区分研究组的代谢物。主成分分析（PCA）是一种无监督的分析方法，通过主成分的线性组合对数据进行降维。主成分分析可以揭示数据和观测组的趋势，发现异常值。尽管根据基于肿瘤组织和邻近粘膜的PCA图观察到聚类趋势较弱，但PCA分析结果显示肿瘤组织和邻近粘膜分离为两个聚类（图1A，D）。为了进一步研究肿瘤组织与邻近粘膜之间的差异，寻找潜在的生物标志物，随后采用有监督的多元统计方法OPLS DA。OPLS-DA是一种监督分析方法，用于将样本分为不同的组，包括肿瘤组织和邻近粘膜，在每次比较中寻找主要区分研究组的代谢物。分类结果如图1B，E所示。为了防止模型过度拟合，进行了排列试验（100个随机排列）。这些排列检验被用来对比原始模型和随机排列模型的拟合优度。如图1C，F所示，验证图强烈表明原始组合模型是有效的。未观察到过度装配。共鉴定出373种代谢物（296种高值代谢物和77种低值代谢物），其标准为变量对预测（VIP）得分>1.5，P值为
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.
