Verwenden Sie dies, wenn Replikate und unabhängige Proben für die wissenschaftliche Schlussfolgerung relevant sind, nicht wenn Sie lediglich ein unbekanntes Spektrum identifizieren müssen.
Forschungs-Batch · Anleitung
Forschungs-Batch · FTIR.fun
AnleitungWorkbench öffnen
Forschungs-Batch — Anleitung zur Verwendung
Verwenden Sie „Research Batch“, wenn Ihre wissenschaftliche Fragestellung von einer Reihe von FTIR-Spektren statt von einer einzelnen Datei abhängt: Behandlungen, Konzentrationen, Formulierungen, Zeitpunkte oder biologische Gruppen mit Replikaten. Der Workflow hält die Studienstruktur sichtbar, während Sie von Gruppenmustern zu den dahinterliegenden Spektralbereichen übergehen.
Ähnlichkeit, PCA, Clustering und Peakunterschiede sind unterschiedliche Perspektiven auf dieselbe Studie und sollten gemeinsam interpretiert werden.
Exportieren Sie Werte, statt sich auf Screenshots zu verlassen, und halten Sie dabei die Probenzuteilung und den spektralen Nachweis für Mitautoren oder spätere Analysen verfügbar.
Was diese Workbench tut
- Organisiert viele Spektren in Proben, Replikate und optionale Klassen.
- Vergleicht Spektren und Isolatmittelwerte mit Ähnlichkeitsmetriken.
- Führt eine PCA durch, um die wichtigsten Variationsmuster innerhalb des Batches darzustellen.
- Erstellt eine UPGMA-Clusteranalyse, um die relativen Beziehungen zwischen den Proben darzustellen.
- Hebt Peaks hervor, die sich zwischen definierten Gruppen unterscheiden.
- Ein SIMCA-ähnliches Klassenmodell kann erstellt werden, wenn mindestens 5 unabhängige Isolate pro Klasse vorhanden sind.
Wann Research Batch verwendet werden sollte
- Formulierungsreihen, Behandlungsgruppen, Zeitpunkte oder biologische Gruppen.
- Prüfungen der Reproduzierbarkeit innerhalb eines Experiments.
- Explorative Prüfung von Mustern, Gruppierungen und Ausreißern.
- Ermitteln von Banden, die zu den Unterschieden zwischen vordefinierten Gruppen beitragen.
Wichtig: Research Batch liefert explorative numerische Hinweise. Eine Gruppentrennung in der PCA oder beim Clustering ist für sich genommen kein Beweis für eine chemische Identität oder Kausalität.
Der Arbeitsablauf in vier Schritten
1Spektren hochladenLaden Sie die FTIR-Dateien aus Ihrer Studie hoch. Mehrere Dateien können in einem Batch hinzugefügt werden.
2Beschreiben Sie die ProbenOrdnen Sie jede Datei einer Probe, einem Replikat oder einem Isolat sowie optional einem Klassenlabel zu. Verwenden Sie für größere Chargen die Option für Metadaten-CSV-Dateien.
3Analyse durchführenDie Workbench berechnet Ähnlichkeit, PCA, Clustering und Peak-Differenzen anhand der ausgewählten Einstellungen.
4Überprüfen und exportierenPrüfen Sie Diagramme und Tabellen und exportieren Sie anschließend numerische Ergebnisse für unabhängige statistische Auswertungen oder Berichte.
Proben- und Replikatzuordnung
Verwenden Sie Proben-IDs, die auch außerhalb der Software verständlich sind. Replikate sollten wiederholte Messungen derselben Probe darstellen; unabhängige Isolate sollten unterscheidbar bleiben, wenn sie separate experimentelle Einheiten repräsentieren.
- Proben-ID — Ein stabiler Name für die Probe oder die experimentelle Einheit.
- Replikat / Isolat — Verwenden Sie die Zuordnungsfelder, um wiederholte Messungen und unabhängige Proben korrekt zu gruppieren.
- Klassenbezeichnung — Optionale vordefinierte Gruppe wie Kontrolle, Behandlung oder Formulierungsgruppe.
Analysebereich und Normalisierung
Fingerprint-Bereich: Der standardmäßige Analysebereich ist 1800–900 cm⁻¹. Ändern Sie ihn, wenn Ihr Protokoll einen anderen Bereich erfordert; Peaks außerhalb des ausgewählten Bereichs werden bei diesen Berechnungen nicht verwendet.
Normalisierung: Die Vektornormalisierung ist die Standardeinstellung. SNV ist ebenfalls verfügbar, wenn es für Ihren Datensatz geeignet ist. Halten Sie die Vorverarbeitung über alle Spektren, die Sie vergleichen möchten, konsistent.
Bedeutung der Ergebnistabs
- Ähnlichkeitsmatrix — Paarweiser Vergleich von Spektren oder Isolatmittelwerten unter Verwendung der verfügbaren Ähnlichkeits- oder Distanzmetriken.
- PCA & SIMCA — PCA-Scores und erklärte Varianz; die Diagnostik des Klassenmodells wird angezeigt, wenn die Daten die Anforderungen an das Klassenmodell erfüllen.
- Clustering — UPGMA-Dendrogramm, das die relativen Beziehungen im analysierten Merkmalsraum zeigt.
- Peak-Unterschiede — Banden mit den stärksten Gruppenunterschieden und der verfügbaren statistischen Evidenz.
- Proben — Die in der Analyse verwendeten Dateien und Metadaten.
Klassenmodell im SIMCA-Stil
Das Klassenmodell erfordert mindestens 5 unabhängige Isolate pro Klasse. Es handelt sich um ein Kalibrierungsmodell, das aus den Daten der Charge erstellt wurde, nicht um einen unabhängig validierten Klassifikator. Verwenden Sie eine externe Validierung, bevor Sie das Modell als prädiktive Klassifizierungsmethode einsetzen.
Ergebnisse exportieren
Verwenden Sie CSV-, Excel- oder JSON-Exporte, um die numerischen Ergebnisse zu bewahren und die Analyse außerhalb von FTIR.fun fortzusetzen. Die exportierten Werte eignen sich besser als Screenshots für unabhängige statistische Auswertungen und die Dokumentation.