Izmantojiet to, kad zinātniskajam secinājumam ir svarīgi atkārtojumi un neatkarīgi paraugi, nevis tad, kad jums tikai jāidentificē viens nezināms spektrs.
Pētniecības partija · Ceļvedis
Pētniecības partija · FTIR.fun
CeļvedisAtvērt darbvirsmu
Pētniecības partija — lietošanas instrukcija
Izmantojiet Research Batch, ja jūsu zinātniskais jautājums ir atkarīgs no FTIR spektru sērijas, nevis viena faila: apstrādēm, koncentrācijām, formulācijām, laika punktiem vai bioloģiskām grupām ar atkārtojumiem. Darbplūsma saglabā pētījuma struktūru pārskatāmu, kamēr pārejat no grupu modeļiem uz spektrālajiem reģioniem, kas tos nosaka.
Līdzība, PCA, klasterizācija un pīķu atšķirības ir dažādi viena un tā paša pētījuma skatpunkti, un tie jāinterpretē kopā.
Eksportējiet vērtības, nevis paļaujieties uz ekrānuzņēmumiem, vienlaikus saglabājot paraugu piešķīrumu un spektrālos pierādījumus līdzautoriem vai vēlākai analīzei.
Ko šī darbvirsma dara
- Organizē daudzus spektrus paraugos, atkārtojumos un neobligātās klasēs.
- Salīdzina spektrus un izolātu vidējās vērtības, izmantojot līdzības metrikas.
- Veic PCA, lai parādītu galvenos variācijas modeļus visā partijā.
- Izveido UPGMA klasterizāciju, lai parādītu paraugu relatīvās attiecības.
- Izceļ pīķus, kas atšķiras starp definētajām grupām.
- Var izveidot SIMCA stila klašu modeli, ja katrai klasei ir vismaz 5 neatkarīgi izolāti.
Kad izmantot Research Batch
- Formulējumu sērijas, apstrādes grupas, laika punkti vai bioloģiskās grupas.
- Atkārtojumu konsekvences pārbaudes eksperimenta ietvaros.
- Izpētes modeļu, grupējumu un noviržu pārskatīšana.
- Joslu atrašana, kas veicina atšķirības starp iepriekš definētām grupām.
Svarīgi: Research Batch sniedz izpētes skaitliskus pierādījumus. Grupu nošķiršana PCA vai klasterizācijā pati par sevi nav ķīmiskās identitātes vai cēloņsakarības pierādījums.
Darbplūsma četros soļos
1Augšupielādēt spektrusAugšupielādējiet sava pētījuma FTIR failus. Vairākus failus var pievienot vienā paketē.
2Aprakstiet paraugusPiešķiriet katram failam paraugu, atkārtojumu vai izolātu un pēc izvēles arī klases marķējumu. Lielākām partijām izmantojiet metadatu CSV opciju.
3Palaist analīziDarbvieta aprēķina līdzību, PCA, klasterizāciju un pīķu atšķirības, izmantojot atlasītos iestatījumus.
4Pārskatīšana un eksportēšanaPārbaudiet diagrammas un tabulas, pēc tam eksportējiet skaitliskos rezultātus neatkarīgai statistiskai analīzei vai ziņošanai.
Parauga un atkārtojuma piešķiršana
Izmantojiet paraugu identifikatorus, kuriem ir jēga ārpus programmatūras. Atkārtotajiem mērījumiem jāatspoguļo viena un tā paša parauga atkārtota mērīšana; neatkarīgajiem izolātiem jāpaliek atšķiramiem, ja tie pārstāv atsevišķas eksperimentālās vienības.
- Parauga ID — Stabils parauga vai eksperimentālās vienības nosaukums.
- Atkārtojums / izolāts — Izmantojiet piešķīrumu laukus, lai atkārtotus mērījumus un neatkarīgus paraugus pareizi grupētu.
- Klases marķējums — Neobligāta iepriekš definēta grupa, piemēram, kontroles, apstrādes vai formulējuma grupa.
Analīzes diapazons un normalizācija
Pirkstu nospieduma apgabals: Noklusējuma analīzes diapazons ir 1800–900 cm⁻¹. Mainiet to, ja jūsu protokolā nepieciešams cits reģions; pīķi ārpus atlasītā diapazona šajos aprēķinos netiek izmantoti.
Normalizācija: Vektora normalizācija ir noklusējuma iestatījums. SNV ir pieejama arī tad, ja tā ir piemērota jūsu datu kopai. Saglabājiet priekšapstrādi konsekventu visiem spektriem, kurus plānojat salīdzināt.
Ko nozīmē rezultātu cilnes
- Līdzības matrica — Spektru vai izolātu vidējo vērtību pāru salīdzinājums, izmantojot pieejamos līdzības vai attāluma metrikas rādītājus.
- PCA un SIMCA — PCA punktu vērtības un izskaidrotā dispersija; klases modeļa diagnostika tiek parādīta, kad dati atbilst klases modeļa prasībām.
- Klasterizācija — UPGMA dendrogramma, kas parāda relatīvās attiecības analizētajā pazīmju telpā.
- Pīķu atšķirības — Joslas ar vislielākajām grupu atšķirībām un pieejamie statistiskie pierādījumi.
- Paraugi — Analīzē izmantotie faili un metadati.
SIMCA stila klašu modelis
Klases modelim ir nepieciešami vismaz 5 neatkarīgi izolāti katrai klasei. Tas ir kalibrēšanas modelis, kas izveidots, pamatojoties uz attiecīgās partijas datiem, nevis neatkarīgi validēts klasifikators. Pirms uzskatāt modeli par prognozējošas klasifikācijas metodi, izmantojiet ārējo validāciju.
Eksportēt rezultātus
Izmantojiet CSV, Excel vai JSON eksportus, lai saglabātu skaitliskos rezultātus un turpinātu analīzi ārpus FTIR.fun. Eksportētās vērtības ir piemērotākas nekā ekrānuzņēmumi neatkarīgai statistikai un uzskaitei.