正交偏最小二乘判别分析（Orthogonal Partial Least Squares Discriminant Analysis, OPLS-DA）是一种多变量统计分析方法，主要用于分类和特征选择，尤其在代谢组学和组学数据分析中非常有用。OPLS-DA结合了偏最小二乘回归（PLSR）和正交信号校正（OSC）两种技术，旨在区分不同组别的样本，并识别影响组别分类的关键变量。
DA是判别分析,PLS-DA用偏最小二乘回归的方法,在对数据“降维”的同时,建立了回归模型,并对回归结果进行判别分析。 OPLS-DA是在PLS-DA的基础上,进行了正交变换的矫正,可以滤除与分类信息无关的噪音,提高了模型的解析能力和有效性。 Question2:什么是OPLS-DA? OPLS是一种多因变量对多自变量的回归建模方法,其最...
在线作图丨数据降维方法③——正交偏最小二乘方判别分析(OPLS-DA),程序员大本营,技术文章内容聚合第一站。
右上图,OPLS-DA模型的R2Y和Q2Y与随机置换数据后获得的相应值进行比较。 离群点展示(左下) 展示了各样本在投影平面内以及正交投影面的距离,具有高值的样本标注出名称,表明它们与其它样本间的差异较大。颜色代表性别分组。 x-score plot(右下) 各样本在OPLS-DA轴中的坐标,颜色代表性别分组。 可视化 library(ggp...
R包ropls的PCA、PLS-DA和OPLS-DA 在代谢组学分析中经常可以见到主成分分析(PCA)、偏最小二乘判别分析(partial least-squares discrimination analysis,PLS-DA)、正交偏最小二乘判别分析(orthogonal partial least-squares discrimination analysis,OPLS-DA)等分析方法,目的为区分样本差异,或在海量数据中挖掘潜在标志物。
R2X和R2Y）及预测能力（Q2）越接近于1，表明模型拟合度越高，训练集样本能够被更准确地划分到其原始归属中。通过OPLS-DA分析，可以直观地筛选出差异代谢物，对代谢物进行筛选，进而可视化分析，以加深对代谢过程的理解。此方法在代谢组学研究中具有重要意义，对后续研究具有指导作用。
1. 登录平台，使用预设用户名密码和验证码登录。2. 在工具栏选择OPLSDA分析。3. 上传数据（支持.txt或.csv文件格式），确保数据格式符合示例。4. 设置分组信息、参数（如比较组、坐标字体大小、元素大小、是否添加椭圆等），调整后运行分析。5. 下载结果，通过矢量图处理软件（如Inkscape或AI）进行后...
OPLS-DA分析 1、使用opls包中的opls函数进行分析: #由于排序分析函数所需数据格式原因,需要对数据进行转置otu<-t(otu_raw)##opls-da分析——opls-da仅适用于二元分类,多元分类适用于pls-da分析df1_oplsda<-opls(otu,group$group,predI=1,orthoI=NA) ...
OPLS-DA分析 1、使用opls包中的opls函数进行分析: 注:不指定或orthoI = 0时,执行PLS;orthoI = NA时,执行OPLS 得到初步的图形,具体解释见此前PLS-DA分析文章: 2、提取作图数据 基于ggplot2包进行可视化 提取VIP值并进行可视化 1、提取VIP值 2、将VIP值与原始数据合并 ...
OPLS-DA # 分组以性别为例 # 通过orthoI指定正交组分数目 # orthoI = NA时,执行OPLS,并通过交叉验证自动计算适合的正交组分数 oplsda = opls(dataMatrix, genderFc, predI = 1, orthoI = NA) OPLS-DA 183 samples x 109 variables and 1 response standard scaling of predictors and response(s) R2X...