原始峰值数据转换为峰列表(质心数据)
Peaklist
= mspeaks (X
,强度
)
(Peaklist
,PFWHH
)= mspeaks (X
,强度
)
(Peaklist
,PFWHH
,PExt
)= mspeaks (X
,强度
)
mspeaks (X
,强度
,“基地”,BaseValue
,……)
mspeaks (X
,强度
,“水平”,LevelsValue
,……)
mspeaks (X
,强度
……“NoiseEstimator”,NoiseEstimatorValue
,……)
mspeaks (X
,强度
……“乘数”,MultiplierValue
,……)
mspeaks (X
,强度
,“去噪”,DenoisingValue
,……)
mspeaks (X
,强度
……“PeakLocation”,PeakLocationValue
,……)
mspeaks (X
,强度
……“FWHHFilter”,FWHHFilterValue
,……)
mspeaks (X
,强度
……“OverSegmentationFilter”,OverSegmentationFilterValue
,……)
mspeaks (X
,强度
……“HeightFilter”,HeightFilterValue
,……)
mspeaks (X
,强度
……“ShowPlot”,ShowPlotValue
,……)
mspeaks (X
,强度
,“风格”,StyleValue
,……)
找到相关峰生,嘈杂的峰值信号数据,并创建Peaklist
= mspeaks (X
,强度
)Peaklist
,一个两列矩阵,包含separation-axis价值和为每个峰值强度。X
一组是一个向量的分离装置值信号的峰值。强度
是一个矩阵的一组峰值强度值共享相同的分离装置范围内。
(
返回Peaklist
,PFWHH
)= mspeaks (X
,强度
)PFWHH
,一个两列的矩阵表示左右整个宽度的一半高度的位置为每个峰值(FWHH)标记。对于任何在FWHH峰值没有解决,mspeaks
返回峰形状区段。当强度
包括多个信号,然后PFWHH
单元阵列的矩阵。
(
返回Peaklist
,PFWHH
,PExt
)= mspeaks (X
,强度
)PExt
,一个两列的矩阵表示的左、右位置峰值形状区段小波去噪后确定。当强度
包括多个信号,然后PExt
单元阵列的矩阵。
mspeaks (
调用X
,强度
,……”PropertyName
”,PropertyValue
,……)mspeaks
与使用属性名可选属性/属性值对。您可以指定一个或多个属性在任何顺序。附上每个PropertyName
在单引号。每一个PropertyName
是不区分大小写。这些属性名称/属性值对如下:
mspeaks (
指定了小波基。X
,强度
,“基地”,BaseValue
,……)
mspeaks (
指定了小波分解的层数。X
,强度
,“水平”,LevelsValue
,……)
mspeaks (
指定的方法来估计阈值,X
,强度
……“NoiseEstimator”,NoiseEstimatorValue
,……)T
过滤掉噪声组件在第一高波段分解(y_h
)。
mspeaks (
指定阈值乘数不变。X
,强度
……“乘数”,MultiplierValue
,……)
mspeaks (
使用小波去噪平滑控制信号。的选择是X
,强度
,“去噪”,DenoisingValue
,……)真正的
(默认)或假
。
mspeaks (
指定了峰高的比例使用选择点用于计算的重心separation-axis价值各自的峰值。X
,强度
……“PeakLocation”,PeakLocationValue
,……)PeakLocationValue
必须是一个值≥0
和≤1
。默认是1.0
。
mspeaks (
指定最小宽度的一半高度(FWHH),在分离单元,山峰。山峰FWHH低于此值被排除在输出列表X
,强度
……“FWHHFilter”,FWHHFilterValue
,……)Peaklist
。
mspeaks (
指定了最小距离,在分离单元,相邻峰之间。当信号不适当的平滑,多个极大值可以表示相同的峰值。增加这个过滤器值加入oversegmented山峰到一个高峰。X
,强度
……“OverSegmentationFilter”,OverSegmentationFilterValue
,……)
mspeaks (
指定的最低身高峰值。山峰的高度低于此值被排除在输出列表X
,强度
……“HeightFilter”,HeightFilterValue
,……)Peaklist
。
mspeaks (
控件显示原始的情节和平滑信号的峰值包括在输出矩阵X
,强度
……“ShowPlot”,ShowPlotValue
,……)Peaklist
明显。
mspeaks (
指定风格标志着山峰的阴谋。X
,强度
,“风格”,StyleValue
,……)
mspeaks
发现山峰在数据从任何产生信号数据的分离技术,如光谱学、核磁共振(NMR)、电泳、色谱或质谱。
|
向量为一组分离装置值信号的峰值。向量中的元素的数量等于矩阵的行数 |
|
矩阵的一组峰值强度值,共享相同的分离装置范围内。每一行对应一个分离装置价值,每一列对应于一组信号的峰值或保留时间。的行数等于向量元素的数量 |
|
整数的 默认值: |
|
整数的 默认值: |
|
特征向量、字符串或标量,指定的方法估计阈值,
|
|
积极的真正价值,指定阈值乘数不变。 默认值: |
|
使用小波去噪平滑控制信号。的选择是 |
|
值指定了峰高的比例使用选择的点来计算质心separation-axis价值各自的峰值。的值必须 请注意 当 默认值: |
|
积极的真正价值,指定了最小宽度的一半高度(FWHH),在分离单元,山峰。山峰FWHH低于此值被排除在输出列表 默认值: |
|
积极的真正价值,指定了最小距离,在分离单元,相邻峰之间。当信号不适当的平滑,多个极大值可以表示相同的峰值。增加这个过滤器值加入oversegmented山峰到一个高峰。 默认值: |
|
积极的真正价值,指定的最低高度报道峰值。 默认值: |
|
控制一块原始信号的显示和平滑信号的峰值包括在输出矩阵
|
|
特征向量或字符串指定风格标志着山峰的阴谋。的选择是:
|
|
两列矩阵每一行对应一个高峰。第一列包含分离装置值(显示峰值的位置沿分离轴)。第二列包含强度值。当 |
|
两列矩阵表示左右整个宽度的一半高度的位置为每个峰值(FWHH)标记。对于任何在FWHH峰值没有解决, |
|
两列矩阵的左右位置指示峰形状区段小波去噪后确定。当 |
加载一个MAT-file,包括生物信息学工具箱™软件,包含两个质谱数据变量,MZ_lo_res
和Y_lo_res
。MZ_lo_res
是一个向量的m / z值一组光谱。Y_lo_res
是一个矩阵的强度值的一组质谱共享相同的m / z范围。
负载sample_lo_res
八个光谱的基线存储在调整Y_lo_res
。
YB = msbackadj (MZ_lo_res Y_lo_res);
原始质谱数据转换为列表通过寻找相关峰值在每个光谱峰值。
P = mspeaks (MZ_lo_res YB);
第三频谱YB
baseline-corrected强度值的矩阵,检测峰值明显。
P = mspeaks (MZ_lo_res, YB,“SHOWPLOT”3);
平稳信号使用mslowess
函数。平滑的数据转换为一个峰列表通过寻找第三频谱相关峰值和阴谋。
y = mslowess (MZ_lo_res, YB,“SHOWPLOT”3);
P = mspeaks (MZ_lo_res, y,“去噪”假的,“SHOWPLOT”3);
使用cellfun
函数来删除所有山峰的m / z值小于2000 8峰值输出中列出P
。然后画出第三频谱峰值(红色)对其平滑信号(蓝色)。
Q = cellfun (@ (p) p (p(: 1) > 2000年:),p,“UniformOutput”、假);图绘制(MZ_lo_res, y (:, 3),“b”问{3}(:1),问{3}(:,2),“处方”)包含(“质量/电荷(M / Z)”)ylabel (的相对强度轴(20000 5 95 [0])
mspeaks
将原始峰值数据转换为峰列表(质心数据):
平滑信号使用Daubechies抽取小波变换系数
分配峰值的位置
估计噪声
消除峰值不满足指定的条件
[1]莫里斯,j.s投资者,库姆斯,Koomen, J。,Baggerly, K.A., and Kobayash, R. (2005) Feature extraction and quantification for mass spectrometry in biomedical applications using the mean spectrum. Bioinfomatics21:9,1764 - 1775。
[2]Yasui Y。佩佩,M。,Thompson, M.L., Adam, B.L., Wright, G.L., Qu, Y., Potter, J.D., Winget, M., Thornquist, M., and Feng, Z. (2003) A data-analytic strategy for protein biomarker discovery: profiling of high-dimensional proteomic data for cancer detection. Biostatistics4:3,449 - 463。
[3]Donoho D.L.,和Johnstone, I.M. (1995) Adapting to unknown smoothness via wavelet shrinkage. J. Am. Statist. Asso.90年,1200 - 1224。
[4]斯特朗,G。,和Nguyen, T. (1996) Wavelets and Filter Banks (Wellesley: Cambridge Press).
投资者[5]库姆斯、经验。莫里斯,J.S.二,Baggerly, K.A., Hung, M.C., and Kuerer, H.M. (2005) Improved peak detection and quantification of mass spectrometry data acquired from surface-enhanced laser desorption and ionization by denoising spectra with the undecimated discrete wavelet transform. Proteomics5 (16),4107 - 4117。
mspalign
|msbackadj
|msdotplot
|msalign
|msheatmap
|mslowess
|msnorm
|mspeaks
|msresample
|msppresample
|mssgolay
|msviewer