To identify the differential metabolites of CRC, the metabolomesof tum的简体中文翻译

To identify the differential metabo

To identify the differential metabolites of CRC, the metabolomesof tumor tissues were compared with that of matched adjacentmucosa. Supplementary Table 1 shows the demographiccharacteristics and clinicopathological features of 51 CRCpatients. Mass spectrometry detected 4,526 and 4,765 variables innegative electrospray ionization (ESI-) and positive electrosprayionization (ESI+), respectively. Multivariate analysis wasperformed on the result of mass spectrometry to find metabolitesthat mostly discriminated the study groups. Principal componentanalysis (PCA) was the unsupervised analysis method, whichwas used for dimension reduction of data through making alinear combination of variables known as principal components.PCA analysis can reveal trends in the data and groups ofobservations and find outliers. Although a weak trend inclustering according to the PCA plot based on tumor tissueand adjacent mucosa was observed, the PCA analysis resultsshowed a separation of tumor tissue and adjacent mucosa intotwo clusters (Figures 1A,D). To further study the differencesbetween tumor tissue and adjacent mucosa and to find potentialbiomarkers, the supervised multivariate statistical method OPLSDA was subsequently used. OPLS-DA is a supervised analysismethod that is employed to divide the samples into differentgroups, including tumor tissue and adjacent mucosa, which wasperformed to find metabolites that mostly discriminated thestudied groups in each comparison. The classification resultsare 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 offit of the original model with the goodness of fit of randomlypermuted models. As shown in Figures 1C,F, the validationplots strongly indicated that the original combined models werevalid. No overfitting was observed.A total of 373 metabolites (296 higher and 77 lower) wereidentified with the criteria of Variable important for theprojection (VIP) score >1.5 and P-values of
0/5000
源语言: -
目标语言: -
结果 (简体中文) 1: [复制]
复制成功!
为了鉴定CRC的差异代谢物,将<br>肿瘤组织的代谢组与匹配的相邻<br>粘膜的代谢组进行了比较。补充表1显示了<br>51名CRC<br>患者的人口统计学特征和临床病理特征。质谱检测到<br>负电喷雾电离(ESI-)和正电喷雾<br>电离(ESI +)分别有4,526和4,765个变量。<br>对质谱的结果进行多变量分析,以发现<br>大多数区分研究组的代谢物。主成分<br>分析(PCA)是一种无监督的分析方法,它<br>通过将<br>变量的线性组合称为主成分。<br>PCA分析可以揭示数据和<br>观察组中的趋势,并发现异常值。尽管<br>根据基于肿瘤组织<br>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<br>显示肿瘤组织和邻近粘膜分为<br>两个聚类(图1A,D)。为了进一步研究<br>肿瘤组织与邻近粘膜之间的差异并寻找潜在的<br>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<br>方法,可用于将样品分为不同的<br>组,包括肿瘤组织和邻近的粘膜。<br>进行了<br>研究,以发现在每个比较中大多数区分研究组的代谢物。分类结果<br>示于图1B,E。为了防止模型过度拟合,进行了<br>置换测试(100个随机置换)。<br>这些置换测试用于对比<br>原始模型的拟合优度和随机<br>置换模型的拟合优度。如图1C,F所示,验证<br>图强烈表明原始组合模型<br>有效。没有观察到过度拟合。<br>总共<br>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<br>预测(VIP)得分> 1.5和P值
正在翻译中..
结果 (简体中文) 2:[复制]
复制成功!
要识别 CRC 的微分代谢物(元代谢)<br>肿瘤组织与相配相邻的肿瘤组织进行比较<br>黏膜。补充表 1 显示人口结构<br>51 CRC 的特点和临床病理特征<br>患者。质谱检测到 4,526 和 4,765 变量<br>负电喷雾电化 (ESI-) 和正电胶<br>电互(ESI+),分别。多变体分析是<br>在质谱结果上执行以查找代谢物<br>这主要是歧视研究组。主要组件<br>分析 (PCA) 是无人监督的分析方法,其中<br>用于通过制作<br>被称为主要组件的变量的线性组合。<br>PCA 分析可以揭示数据和组的趋势<br>观察和查找离群值。虽然在弱的趋势<br>根据基于肿瘤组织的 PCA 图聚类<br>并观察到相邻的粘膜,PCA分析结果<br>显示肿瘤组织和相邻粘膜分离成<br>两个集群(图1A,D)。进一步研究差异<br>肿瘤组织和相邻粘膜之间,并找到潜力<br>生物标志物,监督多变量统计方法OPLSDA随后被使用。OPLS-DA 是一个受监督的分析<br>用于将样品划分为不同样本的方法<br>组,包括肿瘤组织和相邻的粘膜,这是<br>执行找到代谢物,大多歧视<br>在每个比较中研究组。分类结果<br>显示在图 1B 中,E。为防止模型过度拟合,<br>进行了排列测试(100个随机排列)。<br>这些排列测试被用来对比善良<br>适合原来的模型与随机适合的善良<br>渗透模型。如图 1C、F 所示,验证<br>地块强烈表明,原来的组合模型<br>有效。没有观察到过度拟合。<br>共有373个代谢物(296个更高和77个较低)<br>与可变性标准一起确定<br>预测 (VIP) 得分>1.5 和 P 值
正在翻译中..
结果 (简体中文) 3:[复制]
复制成功!
为了鉴定大肠癌的不同代谢物<br>比较肿瘤组织与癌旁对照组<br>粘膜。补充表1显示了人口统计数据<br>51例大肠癌的临床病理特点<br>患者。质谱法检测出4526和4765个变量<br>负电喷雾电离(ESI-)和正电喷雾<br>电离(ESI+)。多因素分析<br>根据质谱分析结果寻找代谢物<br>这在很大程度上歧视了研究小组。主成分<br>分析(PCA)是一种无监督的分析方法<br>通过生成一个<br>变量的线性组合称为主成分。<br>主成分分析可以揭示数据和数据组的趋势<br>观察并找出异常值。尽管在<br>基于肿瘤组织的PCA图聚类<br>并观察邻近粘膜,PCA分析结果<br>显示肿瘤组织与邻近粘膜分离成<br>两组(图1A,D)。进一步研究差异<br>肿瘤组织与邻近粘膜之间的相互作用,寻找潜在的治疗方法<br>生物标志物,随后使用监督多元统计方法OPLS  DA。OPLS-DA是一种监督分析<br>用于将样本划分为不同类别的方法<br>两组,包括肿瘤组织和邻近粘膜<br>寻找主要区别<br>在每个对照组中进行研究。分类结果<br>如图1B,E所示。为防止模型过度装配,<br>进行排列试验(100个随机排列)。<br>这些排列测试是用来对比的优点<br>具有随机拟合优度的原模型拟合<br>置换模型。如图1C,F所示,验证<br>图强烈表明,原来的组合模型是正确的<br>有效。未观察到过度装配。<br>共检测到373种代谢物(高296种,低77种)<br>确定了变量的重要标准<br>投影(VIP)得分>1.5,P值
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: