正交偏最小二乘判别分析(OPLS-DA)作为PLS-DA方法的改进，该方法可以利用多变量数据区分两个或多个组(类)。在OPLS-DA中，在多变量数据和仅包含类信息的响应变量之间构建回归模型。与PLS-DA相比，OPLS-DA的明显优点是，单个分量作为类的预测器，而其他分量描述与第一个预测分量正交的变异。Wiklund等人使用治疗间变异来描述治疗的平均效果，使用治疗内变异来描述与治疗无关的系统剩余变异。治疗效果应该对所有受试者是相等的，尽管其大小允许对每个受试者有所不同。不同于平均处理效果的处理效果称为处理内变异。现在，创造性蛋白质组的生物信息学家很自豪地告诉你，我们愿意帮助你OPLS-DA服务!

OPLS-DA方法的预测分量实际上描述了A类均值与B类均值处理效果差异的方向，如上图所示(虚线)。然后将所有样本投影到该组件上，以估计预测得分。虽然在这个例子中观察到了群体平均效应，但线上的投影清楚地表明，这些类别没有很好地分开。此外，在OPLS-DA中，只计算一个预测成分(在两类问题的情况下)。当治疗影响在试验人群中的受试者之间表现出不同时，这将不会被OPLS-DA方法观察到。

如何下订单:

*如果您的组织需要签署保密协议，请通过电子邮件与我们联系