技术问答

如何选择代谢流检测分析机构?

随着网络的发达现在想要寻找生物鉴定机构做代谢流检测分析已经是非常便捷,而且无论是网络上还是身边这样的机构也有很多,而作为委托方往往会不知道如何挑选,所以今天就来说说如何挑选适合的机构来做代谢流检测分析。

第一,作为委托方在寻找机构前要考虑到做代谢流检测分析的目的,比如大多数情况下都需要检测机构开具具备法律效应的分析报告,因此在寻找分析鉴定机构的时候资质就成了必须要关注的,如果委托的机构不具备这样的资质,纵然做好代谢流检测分析,也无法出具委托方想要的报告。

第二,在选择检测机构的时候自然还要重视其硬件设施和软件情况,在硬件方面主要考察的是实验室和检测设备,从规模到整洁度这些都是需要考察的,如果机构都没有自己的设备或者实验室,需要租赁实验室来鉴定,这样就无法确保代谢流检测分析质量和效率,所以这方面也是必须要考察的。

第三,现在代谢流检测分析软件很多,所以在考察机构的时候,自然不能光看重硬件设备,还要了解下具体使用的软件如何,因为这也关系到整个代谢流检测分析结果的准确性,所以也应该了解下。

第四,既然是选择鉴定机构那么还应该重视的就是相关服务,所以在选择代谢流检测分析鉴定机构的时候,要打听下其服务品质如何,参考具体的服务项目来对比价格。

刚才提到的几点就是选择代谢流检测分析机构的时候,应该考虑到哪些方面,作为委托方也要对于代谢流检测分析有所了解,这样才能在挑选的时候心中有数,并且选择出最合适的检测分析机构,拿到想要的分析报告。

代谢流检测分析为何要找专业的检测机构合作?

  为了能够更深入的了解细胞代谢过程,通常情况下,相关人员会采用各种组学工具进行检测分析,尤其是代谢流检测分析更是得到了广泛的应用。那么为何要找专业的检测机构合作呢?下面就由小编跟大家详细介绍下。

第一,大家知道,并不是所有的生物类企业都有能力进行代谢流检测分析,这主要是因为代谢流检测分析的基础数据分析所包含的内容是非常多的,比如数据预处理,代谢流通量分析,代谢流差异分析,层次聚类分析, Bi-plot分析等,所需要花费的时间和精力是非常大的,并且所参与的人员必须要具备一定的分析检测能力。而跟专业的检测机构合作,就需要考虑这些问题,不管检测分析内容有多少,他们的专业人员都能够得心应手。

第二,之所以要跟专业的检测机构合作,还因为正规的检测分析机构能够提供多种代谢流检测分析方法,能够根据具体情况使用相应的方式,这也是他们最为专业的地方。另外,更为重要的一点,一家可靠的检测分析机构,他们能够根据项目需求选择合适的代谢流检测分析平台。要知道,大部分生物制药类企业并不具备代谢流检测分析的条件,跟专业的检测机构合作,能够在最短时间之内得到相关数据,相对来说更加省心。

综上所述,如果需要进行代谢流检测分析,与其花费大量精力聘请专业人员进行操作,不如跟专业的检测机构合作,上面这么多好处足以让他们考虑与之合作。有这样的需求,让专业的人员帮忙,相关企业就能够有更多的精力去做其他的项目,而不是被代谢流检测分析所难住。

氨基酸代谢病有哪些临床表现?

氨基酸是人体所需的重要营养素,对于构成蛋白质、产生各种人体所需含氨物质、合成碳水化合物和脂肪以及产生能量等,都有着非常重要的作用。但如果氨基酸代谢产生了问题,也就形成了氨基酸代谢病。氨基酸代谢病有哪些临床表现呢?接下来就由麦特绘普生物科技(上海)来为大家进行讲解。

氨基酸代谢病又被成为氨基酸病,当神经系统出现了受累情况,一般只会出现轻度精神运动发育迟滞,而在发病二至三年才会出现明显的症状。氨基酸代谢病主要为酪胺酸血症、苯丙酮尿症、Hartnup病,为三种主要的儿童早期氨基酸代谢病,但氨基酸代谢病并不会影响胎儿的宫内成长和发育。

氨基酸代谢病的临床表现主要有:

1. 遗传性酪胺酸血症。一般表现为轻至中度智力衰退、自残行为、运动不协调、语言缺陷等。Ⅰ型可出现肝脾大或肝硬化、肝功能衰竭等,死亡率较大;Ⅱ类为角膜糜烂、手掌、足底角化,身体多处产生炎症。

2. Hartnup病。此病主要有以下表现:出生时正常,婴儿晚期出现间歇性红鳞屑皮疹,遍及面颈、手足;生长发育迟缓,性格情感多变、难以控制,易产生精神病。偶尔出现痉挛、眩晕、角膜糜烂、上眼睑下垂等状况;随着患儿发育成熟,发作症状会逐渐减少,有些患儿会遗留智力衰退的后遗症。

3. 苯丙酮尿症。苯丙氨酸无法被分解转变,导致从尿中大量排出,导致出现精神神经症状、皮肤病和色数脱失、鼠气味等。

氨基酸代谢病常发生在婴儿时期,通常是因为近亲婚姻以及遗传病而导致。一般来说是可以治愈的,早发现治愈率越高。如果您还想更多的了解氨基酸代谢病,请进入我们的官网进行详细的咨询。

代谢组学数据处理——代谢通路分析

通过上述方法筛选到差异代谢物后,还需要挖掘和这些代谢物相关的代谢通路。此时,可以采用MetaboAnalyst网站(http://www.metaboanalyst.ca/)进行代谢通路分析(Metabolic pathway analysis),代谢通路分析分为富集分析(Enrichment analysis)和通路分析(pathway analysis)。通路分析中添加了通路拓扑分析(topology analysis),会输出通路在整体网络中的重要性(impact)。下图展示了典型的代谢通路分析图。​

代谢通路分析展示图(来源:MetaboAnalyst网站)​​

代谢组学数据处理——差异代谢物筛选

筛选差异代谢产物通常基于OPLS-DA模型,因为它更易于进行模型解释,所有跟分组相关的信息都集中于第一维。筛选的标准通常是基于以下两个指标:

  • Corr.Coeffs./p(corr) (Correlation Coefficient),是样本得分值t和变量X间的相关系数-Corr(t, X),代表了变量的可靠度。该值没有固定阈值,通常设定对应的P值 < 0.05。
  • VIP (Variable importance in the projection),为变量对模型的重要性,描述了每一个变量对模型的总体贡献,通常设定阈值为VIP >1。

除此之外,基于单维检验的P值和变化倍数(Fold change)所作的火山图(Volcano plot)也是常用的筛选方法。

代谢组学数据处理——模型评价

有监督的分类模型缺点是可能会出现过拟合(over-fitting)现象,即模型可以很好地将样本进行区分,但用来预测新的样本集时却表现很差。因此对于有监督的分类模型,我们需要验证模型的可靠性,下面列出几种常见的模型评价方法:

1. K折交互验证(K-fold cross validation)

最可靠的方式是将数据分为训练集(Training set)、验证集(Validation set)和测试集(Test set),训练集用于训练模型,验证集优化模型,测试集测试模型的预测能力。但受限于样本数量,通常采用K折交互验证。其中七折交互验证较为常用,即将数据集分为7份,每次挑选出1份作为测试样本,剩余的6份用来训练建模,整个过程将会被重复直到所有样品都被预测过。预测的数据将会和原始数据作对比得到预测残差平方和(Predicted residual sum of squares, PRESS)。为方便起见,将PRESS转变为Q2(1-PRESS/SS)。Q2越大表示模型的预测能力越好。对于生物学样本,Q2≥0.4是比较理想的[2],Q2≥0.2往往也可以接受,只是模型比较弱。软件在自动建模(Autofit)时,会根据Q2决定模型所用的主成分或Orthogonal component个数(OPLS-DA模型)。当Q2停止增长时,模型将不再增加主成分。

2. 置换检验(Permutation test)

仅用Q2仍不足以证明模型的可靠性,置换检验也是常用的模型评判方式,常和Q2结合使用。其原理是将每个样本的分组标记随机打乱,再来建模和预测。一个可靠模型的Q2应当显著大于将数据随机打乱建模后得到的Q2。基于置换检验的结果,可以画出Permutation plot(图6)。该图展示了置换检验得到的分组变量和原始分组变量的相关性以及对应的Q2值,虚线为回归线。一个可靠的有监督模型要求回归线在Y轴上的截距小于0

图6. Permutation plot用于模型验证​​

3. 基于交互验证的方差分析(CV-ANOVA)

CV-ANOVA是基于交互验证预测残差的方差分析,利用方差分析测试预测的Y变量(Yhat)和预设Y变量(Yobs)的残差和Yobs围绕均值变化的差异。它的好处是可以将交互验证的结果以更加熟悉的方式展现出来,输出表征统计学意义的P值。但CV-ANOVA对于小样本集的检验效能较低[3]。

代谢组学数据处理——模型构建

代谢组学数据分析中,最常用的多维模型包括主成分分析(principal component analysis, PCA)、偏最小二乘法判别分析(Partial least squares discriminant analysis, PLS-DA)和正交偏最小二乘法判别分析(orthogonal PLS-DA, OPLS-DA)。PCA属于无监督的分类模型,可将多维的数据不断降维形成几个主要成分(PC)来尽可能描述原始数据的特征。其中PC1描述了原始数据矩阵中最显著的特征,PC2描述了除PC1之外最显著的数据特征,依此类推。PCA通常被用于寻找离群点(outlier)及观察不同组别之间的自然聚类趋势。那么如何判断数据集中的outlier?可通过Hotelling’s T2或PC1的score plot(PC1的数据解释率最高)来判断(图3),通常红线之外的样本为严重离群点,需要进一步处理。PCA的离群点也可以分组来看,以减少组间的干扰,如下图4所示。但对于离群点,不建议简单粗暴地删除,因为离群点通常是有趣且值得深究的。研究人员需要仔细地排查离群究竟是因为采样、前处理、检测等环节引入的误差还是客观的生物学差异引起的。

图3. Hotelling’s T2柱状图和PC1的得分图​​

图4. 分组PCA 得分图用于离群点寻找。来  源:麦特绘谱XploreMET软件。​

​利用PCA模型还可以观察样本间的自然聚类趋势。不同组别样本在PCA Score plot上即可分离是多维统计结果可靠性的最有力证据。然而,不同组别样本不一定都存在明显的差异,尤其对于临床样本的影响因素较多,如性别、年龄、BMI、地域、饮食、生活环境等。这些因素会给数据集带来很多和分组信息无关的噪音信号。此时,可以利用有监督的分类模型。有监督的意思就是事先告诉模型样本的真实分组信息再进行模型构建。PLS-DA能按照预先定义的分类(Y变量)最大化组间的差异,获得比PCA更好的分离效果(图5)。OPLS-DA综合了PLS-DA和正交信号过滤(orthogonal signal correction, OSC)技术,能够把与预先设定的和分类无关的信息最大程度从原始矩阵分离,从而将最相关的因素集中到第一个主成份(Predictive component)上,进而寻找该主成分的正交矫正轴方向,从而使得组间样本分离效果更佳,使组内差异弱化,组间差异最大化凸显,且更适用于两组样本间的分离。PLS-DA可以用于两组及以上组别的分类比较,而OPLS-DA通常用于两组的对比,找差异物质

图5. PCA和PLS-DA得分图,PLS-DA可获得更清晰的分离​​

Page 1 of 712345...最后一页