Използвайте го, когато репликатите и независимите проби са от значение за научното заключение, а не когато трябва само да идентифицирате един неизвестен спектър.
Изследователска партида · Ръководство
Изследователска партида · FTIR.fun
РъководствоОтвори работна станция
Изследователска партида — Как се използва
Използвайте Research Batch, когато научният ви въпрос зависи от поредица FTIR спектри, а не от един файл: обработки, концентрации, формулации, времеви точки или биологични групи с повторения. Работният процес запазва видима структурата на изследването, докато преминавате от моделите на групите към спектралните области, които стоят зад тях.
Сходството, PCA, клъстеризацията и разликите в пиковете са различни гледни точки към едно и също изследване и трябва да се интерпретират съвместно.
Експортирайте стойности, вместо да разчитате на екранни снимки, като същевременно запазите информацията за разпределението на пробите и спектралните доказателства за съавтори или последващ анализ.
Какво прави тази работна станция
- Организира много спектри в проби, повторения и незадължителни класове.
- Сравнява спектри и средни стойности на изолатите с помощта на метрики за сходство.
- Извършва PCA, за да покаже основните модели на вариация в рамките на партидата.
- Изгражда UPGMA клъстеризация за показване на относителните взаимовръзки между пробите.
- Откроява пиковете, които се различават между дефинирани групи.
- Може да изгради класов модел в стил SIMCA, когато има поне 5 независими изолата на клас.
Кога да използвате Research Batch
- Серии от формулировки, групи за третиране, времеви точки или биологични групи.
- Проверки за съответствие между повторните измервания в рамките на един експеримент.
- Експлоративен преглед на закономерности, групиране и отклоняващи се стойности.
- Откриване на ивици, които допринасят за различията между предварително определени групи.
Важно: Research Batch предоставя предварителни числени доказателства. Разделянето на групите при PCA или клъстеризацията само по себе си не е доказателство за химична идентичност или причинно-следствена връзка.
Работният процес в четири стъпки
1Качване на спектриКачете FTIR файловете от вашето изследване. Няколко файла могат да бъдат добавени в една партида.
2Опишете пробитеПрисвоете всеки файл към проба, реплика или изолат и незадължителен класов етикет. За по-големи партиди използвайте опцията за CSV файл с метаданни.
3Стартирайте анализаРаботната среда изчислява сходството, PCA, клъстеризацията и разликите между пиковете, като използва избраните настройки.
4Преглед и експортиранеПроверете графиките и таблиците, след което експортирайте числените резултати за независим статистически анализ или отчитане.
Приписване на проба и реплика
Използвайте идентификатори на пробите, които са разбираеми и извън софтуера. Повторните измервания трябва да представляват многократни измервания на една и съща проба; независимите изолати трябва да останат разграничими, когато представляват отделни експериментални единици.
- Идентификатор на пробата — Стабилно име за пробата или експерименталната единица.
- Реплика / изолат — Използвайте полетата за идентификация, за да групирате правилно повторните измервания и независимите проби.
- Етикет на клас — Незадължителна предварително дефинирана група, например контролна, третирана или формулационна група.
Диапазон на анализа и нормализация
Област на отпечатъка: Диапазонът за анализ по подразбиране е 1800–900 cm⁻¹. Променете го, когато протоколът ви изисква различен регион; пиковете извън избрания диапазон не се използват в тези изчисления.
Нормализация: Нормализирането на вектора е стандартната настройка. SNV също е налично, когато е подходящо за вашия набор от данни. Поддържайте предварителната обработка еднаква за всички спектри, които възнамерявате да сравнявате.
Какво означават разделите с резултати
- Матрица на сходството — Двойково сравнение на спектри или средни стойности за изолати с използване на наличните метрики за сходство или разстояние.
- PCA & SIMCA — Оценките на PCA и обяснената дисперсия; диагностиката на класовия модел се показва, когато данните отговарят на изискванията за класовия модел.
- Клъстеризация — Дендрограма UPGMA, показваща относителните взаимовръзки в анализираното признаково пространство.
- Разлики в пиковете — Ивиците с най-силни разлики между групите и наличните статистически доказателства.
- Проби — Файловете и метаданните, използвани в анализа.
Класов модел в стил SIMCA
The class model requires at least 5 independent isolates per class. It is a calibration model built from the data in the batch, not an independently validated classifier. Use external validation before treating a model as a predictive classification method.
Експортиране на резултатите
Използвайте експортиране във формат CSV, Excel или JSON, за да запазите числените резултати и да продължите анализа извън FTIR.fun. Експортираните стойности са по-подходящи от екранните снимки за независим статистически анализ и водене на записи.