实测数据大公开！非靶代谢plus+机器学习算法，构建更新、更准、更稳定诊断模型！

代谢异常是众多疾病的主要特征之一。近年来，代谢组学在疾病早筛、诊断标志物发现方面的应用，无论是文章数量还是质量均呈显著增长的趋势。

同时，我们又不免面对这样的难题：

1. 代谢组的定性数量不够理想，很多差异显著的物质，没有定性结果；

2. 标志物组合的稳定性差，在后续的队列验证中不能保持良好的诊断能力。

基于上述问题，中科新生命提供全新的标志物筛选方案：非靶代谢plus+集成机器学习算法。

非靶代谢plus

显著、可靠地提升代谢物鉴定数量

非靶代谢Plus：基于3万+高质量的标准品谱图数据库、最新的高分辨质谱、分析技术的优化，实现在单一分析体系中代谢组鉴定数量的大幅提升！

检测能力：

涵盖的代谢物类型（top 10）：

可靠度：

集成机器学习算法

集成多种算法，获得更优标志物组合

集成机器学习（Ensemble Learning）：组合使用多个相同或者不同类型的机器学习算法，筛选出在多个模型中均具有高分类能力的指标，从而找到更稳健可靠的标志物组合。

中科新生命集成机器学习算法与单一随机森林，支持向量机等算法的诊断性能比较，详情点击：

生物标志物筛选准确率难保证？集成机器学习一站式搞定

Nat Commun: 基于机器学习的血清代谢组筛选早期肺腺癌标志物

Cell丨美国斯坦福大学揭示人类孕期的代谢图谱——血液代谢物准确判断孕期的具体时期和预产期

实际项目案例

经合作者同意，展示实际合作项目数据中的部分数据，用以比较非靶代谢plus与常规非靶代谢组在标志物发现研究上的优势。

实验设计：对照组和疾病组，共计200例血浆样本；其中2/3样本为训练集，1/3样本为测试集。

技术方法：非靶代谢plus VS 常规非靶代谢；集成机器学习算法进行标志物筛选，构建诊断panel。

（1）定性结果比较：非靶代谢plus在鉴定数量及差异代谢物数量上均有明显优势

（2）标志物诊断能力比较：

非靶代谢plus筛选到的标志物组合具有更好的诊断能力（经合作者要求，代谢物真实名称用编号代替）。

在上述标志物组合中，非靶代谢plus与常规非靶代谢组筛选到同一个代谢物，但非靶代谢plus能够鉴定出一个更具差异表达特征的代谢物，从而获得更好的诊断组合。

左图为plus筛选到的生物标志物组合诊断能力；

右图为常规筛选到的生物标志物组合诊断能力

总结

非靶代谢plus强大的定性能力，比常规代谢检测能力翻倍，能够鉴定更多的代谢物。非靶代谢plus+集成机器学习，有助于我们发现更新、更准的标志物组合。

心动不如行动，为了感谢各位老师对中科代谢平台的关注和支持，在2020.11.30前，样本数量200例以上的标志物项目，均可享受非靶代谢plus 8折优惠尝鲜价，以及额外赠送价值1万元的机器学习算法。更多关于非靶代谢plus的产品信息，后续仍继续通过微信公众号进行介绍，还请各位老师留意。