Tutkimuserä — käyttöohje

Käytä Research Batchia, kun tieteellinen kysymyksesi perustuu useiden FTIR-spektrien sarjaan yhden tiedoston sijaan: käsittelyihin, pitoisuuksiin, koostumuksiin, ajankohtiin tai biologisiin ryhmiin, joissa on toistomittauksia. Työnkulku pitää tutkimuksen rakenteen näkyvissä, kun siirryt ryhmien välisistä malleista niiden taustalla oleviin spektrialueisiin.

Valitse tämä työnkulku seuraaviin tilanteisiinKokeellisten ryhmien väliset vertailut

Käytä sitä, kun rinnakkaismittaukset ja riippumattomat näytteet ovat tieteellisen johtopäätöksen kannalta merkityksellisiä, älä silloin, kun sinun tarvitsee vain tunnistaa yksi tuntematon spektri.

Kysymys, johon se auttaa vastaamaanEroavatko ryhmät toisistaan, kuinka yhdenmukaisia ne ovat ja mitkä kaistat selittävät eron?

Samankaltaisuus, PCA, klusterointi ja piikkierot ovat saman tutkimuksen eri näkökulmia, ja niitä tulisi tulkita yhdessä.

Mitä voit siirtää eteenpäinTilastojen, kuvioiden ja käsikirjoituksen tarkastelun numeerinen näyttö

Vie arvot sen sijaan, että luottaisit kuvakaappauksiin, säilyttäen samalla näytteiden määritykset ja spektriin perustuvan näytön muiden tekijöiden tai myöhempää analyysiä varten.

Mitä tämä työpöytä tekee

Järjestää useita spektrejä näytteiksi, toistoiksi ja valinnaisiksi luokiksi.
Vertaa spektrejä ja isolaattien keskiarvoja samankaltaisuusmittareiden avulla.
Suorittaa PCA:n osoittaakseen erän vaihtelun pääasialliset mallit.
Muodostaa UPGMA-klusteroinnin näytteiden suhteellisten suhteiden osoittamiseksi.
Korostaa määritettyjen ryhmien välillä eroavia piikkejä.
SIMCA-tyyppinen luokkamalli voidaan rakentaa, kun luokkaa kohden on vähintään 5 toisistaan riippumatonta isolaattia.

Milloin Research Batchia käytetään

Formulaatiosarjat, käsittelyryhmät, ajankohdat tai biologiset ryhmät.
Toistomittausten yhdenmukaisuuden tarkistukset kokeen sisällä.
Kuvioiden, ryhmittelyn ja poikkeamien tutkiva tarkastelu.
Kaistojen löytäminen, jotka vaikuttavat ennalta määritettyjen ryhmien välisiin eroihin.

Tärkeää: Research Batch tarjoaa tutkivaa numeerista näyttöä. Ryhmien erottuminen PCA:ssa tai klusteroinnissa ei yksinään todista kemiallista identiteettiä tai syy-yhteyttä.

Työnkulku neljässä vaiheessa

1Lataa spektritLataa tutkimuksesi FTIR-tiedostot. Useita tiedostoja voidaan lisätä yhtenä eränä.

2Kuvaile näytteetMääritä kukin tiedosto näytteelle, rinnakkaisnäytteelle tai isolaatille sekä valinnaiselle luokkamerkinnälle. Suurempia eriä varten käytä metatietojen CSV-vaihtoehtoa.

3Suorita analyysiTyöpöytä laskee samankaltaisuuden, PCA:n, klusteroinnin ja piikkien erot valituilla asetuksilla.

4Tarkista ja vieTarkastele kuvaajia ja taulukoita ja vie sitten numeeriset tulokset riippumatonta tilastollista analyysiä tai raportointia varten.

Näytteen ja rinnakkaisnäytteen määritys

Käytä näytetunnuksia, jotka ovat ymmärrettäviä myös ohjelmiston ulkopuolella. Toistomittausten tulee edustaa saman näytteen toistuvia mittauksia; toisistaan riippumattomat eristykset tulee pitää erotettavina silloin, kun ne edustavat erillisiä kokeellisia yksiköitä.

Näytteen tunniste — Vakaa nimi näytteelle tai kokeelliselle yksikölle.
Rinnakkaisnäyte / isolaatti — Käytä määrityskenttiä toistettujen mittausten ja riippumattomien näytteiden asianmukaiseen ryhmittelyyn.
Luokkana nimi — Valinnainen ennalta määritetty ryhmä, kuten kontrolli-, käsittely- tai formulointiryhmä.

Analyysialue ja normalisointi

Sormenjälkialue: Oletusarvoinen analyysialue on 1800–900 cm⁻¹. Muuta sitä, jos protokollasi edellyttää muuta aluetta; valitun alueen ulkopuolisia piikkejä ei käytetä kyseisissä laskelmissa.

Normalisointi: Vektorin normalisointi on oletusasetus. SNV on myös käytettävissä, kun se soveltuu aineistoosi. Pidä esikäsittely yhdenmukaisena kaikissa spektreissä, joita aiot verrata.

Mitä tulosvälilehdet tarkoittavat

Samankaltaisuusmatriisi — Spektrien tai isolaattien keskiarvojen pareittainen vertailu käytettävissä olevilla samankaltaisuus- tai etäisyysmittareilla.
PCA & SIMCA — PCA-pisteet ja selitetty varianssi; luokkamallin diagnostiikka näytetään, kun data täyttää luokkamallin vaatimukset.
Klusterointi — UPGMA-dendrogrammi, joka näyttää suhteelliset suhteet analysoidussa piirreavaruudessa.
Huippuerot — Kaistat, joissa ryhmien väliset erot ovat suurimmat, sekä saatavilla oleva tilastollinen näyttö.
Näytteet — Analyysissä käytetyt tiedostot ja metatiedot.

SIMCA-tyylinen luokkamalli

Luokkamalli edellyttää vähintään 5 itsenäistä isolaattia luokkaa kohden. Se on erässä olevista tiedoista rakennettu kalibrointimalli, ei itsenäisesti validoitu luokittelija. Käytä ulkoista validointia, ennen kuin käsittelet mallia ennustavana luokittelumenetelmänä.

Vie tulokset

Käytä CSV-, Excel- tai JSON-vientejä numeeristen tulosten säilyttämiseen ja analyysin jatkamiseen FTIR.fun-palvelun ulkopuolella. Viedyt arvot soveltuvat kuvakaappauksia paremmin riippumattomaan tilastolliseen analyysiin ja tietojen säilyttämiseen.

UKK

Kuinka monta spektriä voin analysoida kerralla?

Suurten erien käsittely kestää kauemmin, ja kuvaajia tai taulukoita voi olla vaikeampi lukea. Käytännön kapasiteetti riippuu tiedostokoosta, valitusta analyysistä ja palvelimen resursseista, joten jaa erittäin suuret tutkimukset tarvittaessa mielekkäisiin eriin.

Entä jos minulla ei ole rinnakkaisnäytteitä?

Käsittele jokaista tiedostoa itsenäisenä näytteenä, kun se vastaa kokeellista suunnitteluasi. Älä keksi rinnakkaisnäytteiden välisiä suhteita vain analyysivaatimuksen täyttämiseksi.

Voinko verrata eri instrumenteilla mitattuja spektrejä?

Kyllä, mutta laitteen, lisävarusteen, resoluution, näytteenoton ja esikäsittelyn erot voivat aiheuttaa näennäistä ryhmien erottumista. Yhdenmukaista mittaus- ja esikäsittelymenetelmät mahdollisuuksien mukaan ja tulkitse laitteiden välisiä eroja varoen.

Tunnistaako merkittävä piikkiero kemiallisen syyn?

Ei. Se tunnistaa tutkittavan spektrieron. Käytä kemiallista asiayhteyttä, kirjallisuusnäyttöä, standardeja tai muita analyysimenetelmiä määrityksen tueksi.