生物信息学分析方法
1.多维统计方法介绍
（1）主成分分析（principal component analysis，PCA）：是一种无监督模式识别的多维数据统计分析方法，通过正交变换将一组可能存在相关性的变量转换为一组线性不相关的变量，转换后的这组变量称主成分。其判别模型质量好坏的主要参数为R2 X，该值代表降维后的数据对原始数据的解释率，该值越接近1越理想。从PCA的得分图中（图21-12），还能看到质控（QC）样本聚类情况，以判断整个分析方法（包括前处理方法和仪器分析系统）的可靠性。
（2）偏最小二乘判别分析（partial least squares discrimination analysis，PLS-DA）：是一种有监督的分析方法，它将多维数据在压缩前先按需要寻找的差异因素分组，找到与用于分组的因素最相关的变量，而减少一些其他因素的影响。具体做法是分别提取自变量X 与因变量Y 中的成分，然后计算成分间的相关性。这种有监督的分析方法会预先设定Y值来进行目标分类和判别，它有两个作用：一是能很好地模拟X和Y两个矩阵；二是能分析X和Y 之间的关系（图21-13）。
图21-12 主成分分析图
图21-13 偏最小二乘判别分析（PLS-DA）图
（3）正交最小偏二乘判别分析（orthogonal partial least squares discrimination analysis，OPLS-DA）：是结合正交信号矫正（OSC）和PLS-DA方法，也是PLS-DA 的扩展，能够将X矩阵信息分解成与Y相关和不相关的两类信息，去除与分类无关的信息，在不降低模型预测能力的前提下，有效减少模型的复杂性和增强模型的解释能力（图21-14）。
评价模型分类效果的参数有R2 X，R2 Y 和Q2，其中R2 X和R2 Y 分别表示所建模型对X和Y矩阵的解释率，Q2表示模型的预测能力，这3个指标越接近于1时表示模型越稳定可靠，Q2＞0.5时可认为是有效的模型，Q2＞0.9时为出色的模型。(https://www.daowen.com)
图21-14 正交最小偏二乘判别分析（OPLS-DA）图
（4）模型质量评价：响应排序检验（response permutation testing，RPT）是一种用来评价（O）PLS模型准确性的随机排序方法。该方法固定X矩阵，将先前定义的分类Y矩阵的变量（如0或1）进行随机排列n次（一般100～1 000次），每次排列组合后，构建新的OPLS模型，计算相应的模型累积的R2 Y 和Q2 Y 值。将原始分类的Y 矩阵、n次不同排列的Y 矩阵与R2 Y、Q2 Y进行线性回归，得到的回归直线与y轴的截距值作为衡量模型是否过拟合的标准。通常R2 Y和Q2 Y 直线的斜率越接近水平直线，则模型越有可能过拟合；使用RPT检验时，一般要求这种情况的Q2＜0（图21-15）。
图21-15 OPLS-DA模型验证
2.差异代谢物生物信息分析
（1）富集分析：通常是分析一组代谢物在某个功能节点上是否出现过，原理是由单个代谢物的注释分析发展为代谢物集合的注释分析。富集分析提高了研究的可靠性，能够识别出与生物现象最相关的生物学过程。
（2）相关性分析：是研究两个或两个以上处于同等地位的随机变量间的相关关系的统计分析方法。两个变量之间的相关程度通过相关系数r来表示，相关系数r的值在0～1时，两个变量间呈正相关，呈现出同增同减的关系；负相关时，r值在-1～0，呈现出此消彼长的关系。r的绝对值越接近1，两变量的关联程度越强；r的绝对值越接近0，两变量的关联程度越弱。