Χρησιμοποιήστε το όταν τα επαναληπτικά δείγματα και τα ανεξάρτητα δείγματα είναι σημαντικά για το επιστημονικό συμπέρασμα, όχι όταν χρειάζεται μόνο να ταυτοποιήσετε ένα άγνωστο φάσμα.
Ερευνητική παρτίδα · Οδηγός
Ερευνητική παρτίδα · FTIR.fun
ΟδηγόςΆνοιγμα Πάγκου Εργασίας
Ερευνητική παρτίδα — Τρόπος χρήσης
Χρησιμοποιήστε το Research Batch όταν το επιστημονικό σας ερώτημα εξαρτάται από μια σειρά φασμάτων FTIR και όχι από ένα μόνο αρχείο: κατεργασίες, συγκεντρώσεις, formulazioni, χρονικά σημεία ή βιολογικές ομάδες με επαναλήψεις. Η ροή εργασίας διατηρεί ορατή τη δομή της μελέτης, καθώς μεταβαίνετε από τα μοτίβα των ομάδων στις φασματικές περιοχές που τα εξηγούν.
Η ομοιότητα, η PCA, η συσταδοποίηση και οι διαφορές κορυφών είναι διαφορετικές οπτικές της ίδιας μελέτης και θα πρέπει να ερμηνεύονται από κοινού.
Εξαγάγετε τις τιμές αντί να βασίζεστε σε στιγμιότυπα οθόνης, διατηρώντας παράλληλα διαθέσιμες την αντιστοίχιση των δειγμάτων και τα φασματικά τεκμήρια για τους συν-συγγραφείς ή για μεταγενέστερη ανάλυση.
Τι κάνει αυτός ο πάγκος εργασίας
- Οργανώνει πολλά φάσματα σε δείγματα, επαναλήψεις και προαιρετικές κατηγορίες.
- Συγκρίνει φάσματα και μέσους όρους απομονωμένων δειγμάτων με μετρικές ομοιότητας.
- Εκτελεί PCA για να παρουσιάσει τα κύρια πρότυπα διακύμανσης σε ολόκληρη την παρτίδα.
- Δημιουργεί ομαδοποίηση UPGMA για να δείξει τις σχετικές σχέσεις μεταξύ των δειγμάτων.
- Επισημαίνει τις κορυφές που διαφέρουν μεταξύ καθορισμένων ομάδων.
- Μπορεί να δημιουργήσει ένα μοντέλο ταξινόμησης τύπου SIMCA όταν υπάρχουν τουλάχιστον 5 ανεξάρτητα απομονώματα ανά κλάση.
Πότε να χρησιμοποιείτε το Research Batch
- Σειρές συνθέσεων, ομάδες θεραπείας, χρονικά σημεία ή βιολογικές ομάδες.
- Έλεγχοι συνέπειας των επαναλήψεων εντός ενός πειράματος.
- Διερευνητική εξέταση προτύπων, ομαδοποίησης και ακραίων τιμών.
- Εντοπισμός των ζωνών που συμβάλλουν στις διαφορές μεταξύ προκαθορισμένων ομάδων.
Σημαντικό: Το Research Batch παρέχει διερευνητικά αριθμητικά στοιχεία. Ο διαχωρισμός ομάδων στην PCA ή στην ομαδοποίηση δεν αποτελεί από μόνος του απόδειξη χημικής ταυτότητας ή αιτιότητας.
Η ροή εργασίας σε τέσσερα βήματα
1Μεταφόρτωση φασμάτωνΜεταφορτώστε τα αρχεία FTIR από τη μελέτη σας. Μπορούν να προστεθούν πολλά αρχεία σε μία παρτίδα.
2Περιγράψτε τα δείγματαΑντιστοιχίστε κάθε αρχείο σε ένα δείγμα, ένα επαναληπτικό δείγμα ή ένα απομονωμένο δείγμα, καθώς και σε μια προαιρετική ετικέτα κλάσης. Για μεγαλύτερες παρτίδες, χρησιμοποιήστε την επιλογή CSV μεταδεδομένων.
3Εκτελέστε την ανάλυσηΟ πάγκος εργασίας υπολογίζει την ομοιότητα, την PCA, την ομαδοποίηση και τις διαφορές κορυφών χρησιμοποιώντας τις επιλεγμένες ρυθμίσεις.
4Έλεγχος και εξαγωγήΕλέγξτε τα διαγράμματα και τους πίνακες και, στη συνέχεια, εξαγάγετε τα αριθμητικά αποτελέσματα για ανεξάρτητη στατιστική ανάλυση ή αναφορά.
Αντιστοίχιση δείγματος και επαναλήψεων
Χρησιμοποιήστε αναγνωριστικά δειγμάτων που είναι κατανοητά και εκτός του λογισμικού. Οι επαναλήψεις θα πρέπει να αντιπροσωπεύουν επαναλαμβανόμενες μετρήσεις του ίδιου δείγματος· τα ανεξάρτητα απομονώματα θα πρέπει να παραμένουν διακριτά όταν αντιπροσωπεύουν ξεχωριστές πειραματικές μονάδες.
- Αναγνωριστικό δείγματος — Ένα σταθερό όνομα για το δείγμα ή την πειραματική μονάδα.
- Επανάληψη / απομόνωση — Χρησιμοποιήστε τα πεδία αντιστοίχισης για να διατηρείτε σωστά ομαδοποιημένες τις επαναλαμβανόμενες μετρήσεις και τα ανεξάρτητα δείγματα.
- Ετικέτα κλάσης — Προαιρετική προκαθορισμένη ομάδα, όπως ομάδα ελέγχου, ομάδα θεραπείας ή ομάδα σκευάσματος.
Εύρος ανάλυσης και κανονικοποίηση
Περιοχή αποτυπώματος: Το προεπιλεγμένο εύρος ανάλυσης είναι 1800–900 cm⁻¹. Αλλάξτε το όταν το πρωτόκολλό σας απαιτεί διαφορετική περιοχή· οι κορυφές εκτός του επιλεγμένου εύρους δεν χρησιμοποιούνται σε αυτούς τους υπολογισμούς.
Κανονικοποίηση: Η κανονικοποίηση διανύσματος είναι η προεπιλεγμένη επιλογή. Το SNV είναι επίσης διαθέσιμο όταν είναι κατάλληλο για το σύνολο δεδομένων σας. Διατηρήστε συνεπή την προεπεξεργασία σε όλα τα φάσματα που σκοπεύετε να συγκρίνετε.
Τι σημαίνουν οι καρτέλες αποτελεσμάτων
- Πίνακας Ομοιότητας — Κατά ζεύγη σύγκριση φασμάτων ή μέσων όρων απομονωμένων στελεχών με χρήση των διαθέσιμων μετρικών ομοιότητας ή απόστασης.
- PCA & SIMCA — Οι βαθμολογίες PCA και η εξηγούμενη διακύμανση· τα διαγνωστικά στοιχεία του μοντέλου κλάσης εμφανίζονται όταν τα δεδομένα πληρούν τις απαιτήσεις του μοντέλου κλάσης.
- Ομαδοποίηση — Δενδρόγραμμα UPGMA που δείχνει τις σχετικές σχέσεις στον αναλυμένο χώρο χαρακτηριστικών.
- Διαφορές Κορυφών — Οι ζώνες με τις ισχυρότερες διαφορές μεταξύ ομάδων και τα διαθέσιμα στατιστικά στοιχεία.
- Δείγματα — Τα αρχεία και τα μεταδεδομένα που χρησιμοποιήθηκαν στην ανάλυση.
Μοντέλο κλάσης τύπου SIMCA
Το μοντέλο κλάσης απαιτεί τουλάχιστον 5 ανεξάρτητα στελέχη ανά κλάση. Πρόκειται για μοντέλο βαθμονόμησης που έχει κατασκευαστεί από τα δεδομένα της παρτίδας και όχι για ανεξάρτητα επικυρωμένο ταξινομητή. Χρησιμοποιήστε εξωτερική επικύρωση πριν θεωρήσετε το μοντέλο μέθοδο προγνωστικής ταξινόμησης.
Εξαγωγή αποτελεσμάτων
Χρησιμοποιήστε εξαγωγές CSV, Excel ή JSON για να διατηρήσετε τα αριθμητικά αποτελέσματα και να συνεχίσετε την ανάλυση εκτός του FTIR.fun. Οι εξαγόμενες τιμές είναι καταλληλότερες από τα στιγμιότυπα οθόνης για ανεξάρτητη στατιστική ανάλυση και τήρηση αρχείων.