重复性分析

应用场景

       在大规模定量组学研究中，为了保证实验结果的稳定性、准确性、可重复性，需要在相同条件下进行多次（三次或三次以上）重复实验。采用统计学方法进行重复性分析，旨在评估多次重复实验所得结果之间的一致性。

分析方法

       评估多次重复实验结果一致性的方法有以下三种：主成分分析（PCA）、相对标准偏差（RSD）和皮尔森相关性（Pearson correlation)。大规模定量组学数据量庞大且复杂，PCA 分析能够提取样本数据中的关键成分对样本进行有效区分，直观反映样本间的关系。相对标准偏差（RSD，relative standard deviation）又叫标准偏差系数、变异系数、变动系数等，是指标准偏差与测量结果算术平均值的比值，反应了数据的离散程度。皮尔森相关性分析：采用皮尔森相关系数度量两组数据线性相关程度。

图表展示

       注：重复样本间蛋白定量PCA散点图。在图中点与点之间的距离代表样本相关性的远近，两点距离越近代表样本相似性越高，距离越远代表样本差异性越大。图中横纵坐标表示在得出的主成分（PC）中，最大的两个主成分对总体信息的解释比例，数值越大解释度越高。

       注：重复样本间蛋白定量RSD分布箱线图。横轴表示不同样本；纵轴表示蛋白或修饰位点在多次重复样本中定量的RSD值。直观地判断数据离散分布情况，了解数据分布状态。当整体相对标准偏差(RSD)值越小，箱图越短，定量重复性越好。

       注：两两样品间蛋白定量的皮尔森相关系数热图。皮尔森相关系数是度量两组数据线性相关程度的值，衡量样本间的相关性关系。相关系数越接近1，两组样本相关性越强；相关系数越接近0，两组样本越独立。