|
ИСТИНА |
Войти в систему Регистрация |
ФНКЦ РР |
||
Хромато-масс-спектрометрическое ненаправленное профилирование и интеллектуальный анализ данных для выявления потенциальных биомеркеровтезисы доклада
- Авторы: Плющенко И.В., Родин И.А.
- Сборник: III Всероссийская конференция по аналитической спектроскопии с международным участием
- Тезисы
- Год издания: 2019
- Место издания: Типография ООО "Мегастронг" г. Краснодар, ул. Селезнёва, 204/2
- Первая страница: 57
- Последняя страница: 57
- Аннотация: В последние годы ощутимо проявляется интерес к омиксным технологиям. Главными отличительными особенностями стоит считать: уклон в сторону неинвазивной диагностики (в основном, анализ биожидкостей) и применение комбинации хроматографических/электрофоретических методов с масс-спектрометрическим/ЯМР детектированием с методами интеллектуального анализа данных (англ. data mining). В этом ключе, наиболее популярны хромато-масс-спектрометрические методы. Главным недостатком методологии является искажение сигнала детектора вследствие загрязнения ионной оптики и/или действия матричного эффекта. Озвученный недостаток может быть преодолен путем применения специальных методов коррекции сигнала. В данной работе было проведено хроматографическое профилирование с масс-спектрометрическим детектированием высокого разрешения (ИЛ-ВП) образцов мочи, полученных от трех клинических групп пациентов. Были оценены и выбраны оптимальные методы коррекции сигнала детектора, а также нормализации содержания метаболитов (для устранения биологической вариативности). На следующем этапе был проведен статистический анализ в несколько стадий: определение оптимального поднабора переменных, машинное обучение с тюнингом параметров и кросс-валидацией (случайный лес, метод опорных векторов, k-ближайших соседей, проекция на скрытые структуры) и отбор переменных (рекурсивный отбор переменных Байесовским классификатором). Было показано, что возможно снизить пространство переменных до нескольких десятков (сохранив исключительно наиболее информативные признаки) и при этом добиться правильного разбиения образцов на группы методами обучения “без учителя” (кластеризация (k-средних, иерархические дендрограммы), метод главных компонент).
- Добавил в систему: Плющенко Иван Викторович
Прикрепленные файлы
| № | Имя | Описание | Имя файла | Размер | Добавлен |
|---|---|---|---|---|---|
| 1. | Полный текст | tuapse_2019.pdf | 254,6 КБ | 24 января 2022 [Plyush1993] |