质谱成像中的计算策略综述

论文摘要

质谱成像(MSI)已广泛应用于蛋白质组学、代谢组学、脂质组学和糖组学,以及与组织医学诊断和临床应用相关的生物医学研究领域。质谱成像能提供生物组织样本中空间分子组成的信息。由于MSI数据量异常庞大,人工数据解析和可视化分析的低效率、低精度已成为了研究中的瓶颈。因此,近年来在MSI的相关研究中出现了各种计算算法协助数据解析。本文综述了MSI最常用的计算策略及其在生物医学研究中的应用,涵盖了MSI数据预处理、降维、聚类、分类等数据分析方法和MSI软件工具包的最新研究成果。

论文目录

1 前言

1 MSI数据预处理

1.1 谱图处理

1.2 峰检测和m/z-图像去噪

2 降维处理

2.1 线性降维处理

2.1.1 主成分分析（PCA）

2.1.2 独立成分分析（ICA）

2.1.3 非负矩阵分解（NMF）

2.1.4 最大自相关系数（MAF）

2.2 非线性降维

2.3 特征选择

3 聚类

3.1 K-均值（K-means）算法

3.2 层次聚类（HC）

3.3 自组织图（SOM）

3.4 其他聚类算法

4 分类

4.1 支持向量机算法

4.2 随机森林算法

4.3 其他统计和机器学习算法

5 MSI软件

6 结论

文章来源

类型: 期刊论文

作者: 许光,甘胜丰,李建军,杨莉

关键词: 质谱成像,机器学习,分类,聚类,软件

来源: 分析科学学报 2019年04期

年度: 2019

分类: 工程科技Ⅰ辑

专业: 化学

单位: 湖北第二师范学院计算机学院,Department of Computer Science Tex as A&M University Corpus Christi,Human Health Therapeutics National Research Council Canada

基金: 湖北省教育厅科学研究计划指导性项目(No.B2015016)

分类号: O657.63

DOI: 10.13526/j.issn.1006-6144.2019.04.019

页码: 497-506

总页数: 10

文件大小: 5535K

下载量: 166

质谱成像中的计算策略综述

论文摘要

论文目录

文章来源

相关论文文献

猜你喜欢