Gebruik dit wanneer replicaten en onafhankelijke monsters van belang zijn voor de wetenschappelijke conclusie, niet wanneer je alleen één onbekend spectrum hoeft te identificeren.
Onderzoeksbatch · Gids
Onderzoeksbatch · FTIR.fun
GidsWerkbank openen
Onderzoeksbatch — Gebruik
Gebruik Research Batch wanneer uw wetenschappelijke vraag afhankelijk is van een reeks FTIR-spectra in plaats van één bestand: behandelingen, concentraties, formuleringen, tijdstippen of biologische groepen met replicaten. De workflow houdt de onderzoeksstructuur zichtbaar terwijl u van groepspatronen naar de spectrale gebieden daarachter gaat.
Gelijkenis, PCA, clustering en piekverschillen zijn verschillende weergaven van hetzelfde onderzoek en moeten in samenhang worden geïnterpreteerd.
Exporteer waarden in plaats van te vertrouwen op schermafbeeldingen, terwijl monsteridentificatie en spectraal bewijs beschikbaar blijven voor coauteurs of latere analyse.
Wat deze werkbank doet
- Organiseert vele spectra in monsters, replicaten en optionele klassen.
- Vergelijkt spectra en gemiddelden van isolaten met behulp van similariteitsmetingen.
- Voert PCA uit om de belangrijkste variatiepatronen binnen de batch te tonen.
- Bouwt UPGMA-clustering om de relatieve relaties tussen monsters weer te geven.
- Markeert pieken die tussen gedefinieerde groepen verschillen.
- Kan een klassenmodel in SIMCA-stijl opbouwen wanneer er ten minste 5 onafhankelijke isolaten per klasse zijn.
Wanneer Research Batch gebruiken
- Formuleringsreeksen, behandelingsgroepen, tijdstippen of biologische groepen.
- Controles van de consistentie van replicaten binnen een experiment.
- Verkennende beoordeling van patronen, groeperingen en uitschieters.
- Bandgebieden vinden die bijdragen aan verschillen tussen vooraf gedefinieerde groepen.
Belangrijk: Research Batch levert verkennend numeriek bewijs. Groepsscheiding in PCA of clustering is op zichzelf geen bewijs voor chemische identiteit of causaliteit.
De workflow in vier stappen
1Spectra uploadenUpload de FTIR-bestanden uit uw onderzoek. Er kunnen meerdere bestanden in één batch worden toegevoegd.
2Beschrijf de monstersWijs elk bestand toe aan een monster, replicaat of isolaat, en eventueel een klasselabel. Gebruik voor grotere batches de optie voor metadata-CSV.
3Voer de analyse uitDe werkbank berekent overeenkomst, PCA, clustering en piekverschillen met behulp van de geselecteerde instellingen.
4Beoordelen en exporterenInspecteer grafieken en tabellen en exporteer vervolgens numerieke resultaten voor onafhankelijke statistiek of rapportage.
Toewijzing van monsters en replicaten
Gebruik monster-ID＇s die ook buiten de software betekenisvol zijn. Replicaten moeten herhaalde metingen van hetzelfde monster vertegenwoordigen; onafhankelijke isolaten moeten van elkaar te onderscheiden blijven wanneer ze afzonderlijke experimentele eenheden vertegenwoordigen.
- Monster-ID — Een stabiele naam voor het monster of de experimentele eenheid.
- Replicaat / isolaat — Gebruik de toewijzingsvelden om herhaalde metingen en onafhankelijke monsters correct gegroepeerd te houden.
- Klasselabel — Optionele vooraf gedefinieerde groep, zoals een controle-, behandelings- of formuleringgroep.
Analysebereik en normalisatie
Vingerafdrukbereik: Het standaardanalysebereik is 1800–900 cm⁻¹. Wijzig dit wanneer uw protocol een ander gebied vereist; pieken buiten het geselecteerde bereik worden niet gebruikt in die berekeningen.
Normalisatie: Vectornormalisatie is de standaard. SNV is ook beschikbaar wanneer dit geschikt is voor uw dataset. Houd de voorbewerking consistent voor de spectra die u wilt vergelijken.
Wat de resultatentabbladen betekenen
- Similariteitsmatrix — Paarsgewijze vergelijking van spectra of gemiddelden van isolaten met behulp van de beschikbare overeenkomst- of afstandsmetriek.
- PCA & SIMCA — PCA-scores en verklaarde variantie; diagnostiek van het klassemodel wordt weergegeven wanneer de gegevens aan de vereisten voor het klassemodel voldoen.
- Clustering — UPGMA-dendrogram dat de relatieve relaties in de geanalyseerde kenmerksruimte weergeeft.
- Piekverschillen — Bandgebieden met de sterkste groepsverschillen en het beschikbare statistische bewijs.
- Monsters — De bestanden en metagegevens die in de analyse zijn gebruikt.
SIMCA-achtig klassenmodel
Het klassenmodel vereist ten minste 5 onafhankelijke isolaten per klasse. Het is een kalibratiemodel dat is opgebouwd uit de gegevens in de batch, en geen onafhankelijk gevalideerde classificator. Gebruik externe validatie voordat u een model als voorspellende classificatiemethode beschouwt.
Resultaten exporteren
Gebruik CSV-, Excel- of JSON-exports om de numerieke resultaten te behouden en de analyse buiten FTIR.fun voort te zetten. De geëxporteerde waarden zijn geschikter dan schermafbeeldingen voor onafhankelijke statistieken en archivering.