
-
生物通官微
陪你抓住生命科技
跳动的脉搏
正则化方法与异常值去除对无监督样本分类的影响
《BMC Bioinformatics》:Impact of regularization methods and outlier removal on unsupervised sample classification
【字体: 大 中 小 】 时间:2026年06月17日 来源:BMC Bioinformatics 3.3
编辑推荐:
摘要背景高内容分析技术(HCAs)在区分具有生物学意义的效应与技术因素导致的效应方面存在困难,这些技术因素包括材料差异、操作人员差异以及细胞培养环境中的不可重复性因素。此外,所评估的描述符的数量和多样性也被认为会带来更多问题。这项元分析将数据分为不同类别,进而研究预处理操作是否以
高内容分析技术(HCAs)在区分具有生物学意义的效应与技术因素导致的效应方面存在困难,这些技术因素包括材料差异、操作人员差异以及细胞培养环境中的不可重复性因素。此外,所评估的描述符的数量和多样性也被认为会带来更多问题。这项元分析将数据分为不同类别,进而研究预处理操作是否以及如何影响分析结果。
那些可能影响重复性的批次效应——如信噪比、仪器条件以及数据分割方式——被作为控制变量。而无法控制的批次效应则包括材料、操作人员以及组织培养环境中的变化。描述符的值是通过直接从图像中测得的。另一个低维且可识别、可解释的描述符“因子4”的值则是通过探索性因子分析得出的。在五次实验中,每个实验都有一个样本被施加相同的化学混合物(EXP),另一个样本则仅使用溶剂(CON)。
在经过试验内数据规范化处理后,CON组和EXP组重复实验的因子4均值存在显著差异。第三次实验中CON组的均值与其他所有CON组相比也有显著差异。而当使用更全面的数据库进行数据规范化处理后,这些差异消失了。在EXP组重复实验中,第二次实验的均值与其他重复实验的均值存在差异,但用其他数据库进行规范化处理后影响不大。令人意外的是,即便使用相同实验方案生成的各类全面数据库进行规范化处理,也会得到相同的分类结果。而使用不同实验方案生成的数据库则只会让原本仅略高于统计显著性水平的差异变得更加明显。去除异常值反而会对结果产生负面影响,即便采用最宽松的异常值判定标准,大多数实验中也有超过3%的样本数据会被剔除。基于试验内整体分布进行的异常值剔除会导致第一类错误和第二类错误的发生。
这些基于实际实验的结果表明,重复性差是体外分析技术固有的特征。包括材料、操作人员以及不可重复的环境变量在内的若干无法消除的批次效应,并不会影响分类结果。这些效应再加上较小的样本量以及描述符值的偏态分布,可能是导致重复性差的原因。而在重复实验中,那些重复性差的因子4均值对分类结果的影响微乎其微,这表明分类结果才是衡量分析质量更好的指标。
高内容分析技术(HCAs)在区分具有生物学意义的效应与技术因素导致的效应方面存在困难,这些技术因素包括材料差异、操作人员差异以及细胞培养环境中的不可重复性因素。此外,所评估的描述符的数量和多样性也被认为会带来更多问题。这项元分析将数据分为不同类别,进而研究预处理操作是否以及如何影响分析结果。
那些可能影响重复性的批次效应——如信噪比、仪器条件以及数据分割方式——被作为控制变量。而无法控制的批次效应则包括材料、操作人员以及组织培养环境中的变化。描述符的值是通过直接从图像中测得的。另一个低维且可识别、可解释的描述符“因子4”的值则是通过探索性因子分析得出的。在五次实验中,每个实验都有一个样本被施加相同的化学混合物(EXP),另一个样本则仅使用溶剂(CON)。
在经过试验内数据规范化处理后,CON组 和EXP组重复实验的因子4均值存在显著差异。第三次实验中CON组的均值与其他所有CON组相比也有显著差异。而当使用更全面的数据库进行数据规范化处理后,这些差异消失了。在EXP组重复实验中,第二次实验的均值与其他重复实验的均值存在差异,但用其他数据库进行规范化处理后影响不大。令人意外的是,即便使用相同实验方案生成的各类全面数据库进行规范化处理,也会得到相同的分类结果。而使用不同实验方案生成的数据库则只会让原本仅略高于统计显著性水平的差异变得更加明显。去除异常值反而会对结果产生负面影响,即便采用最宽松的异常值判定标准,大多数实验中也有超过3%的样本数据会被剔除。基于试验内整体分布进行的异常值剔除会导致第一类错误和第二类错误的发生。
这些基于实际实验的结果表明,重复性差是体外分析技术固有的特征。包括材料、操作人员以及不可重复的环境变量在内的若干无法消除的批次效应,并不会影响分类结果。这些效应再加上较小的样本量以及描述符值的偏态分布,可能是导致重复性差的原因。而在重复实验中,那些重复性差的因子4均值对分类结果的影响微乎其微,这表明分类结果才是衡量分析质量更好的指标。