1、数据预处理
• 应用wavelet平滑和基线处理
• 信噪比>=5
• 归一化方法：TIC(总离子流)
• 选用蛋白峰量化指标：峰强度
2、差异蛋白峰筛选
依据不同的分组，根据数据的实际情况，采用统计学方法（T test/ANOVA或者Wilcoxon test/Kruskal-Wallis test）筛选出差异显著的蛋白峰，并提供图形展示。
①3D样本展示图
②平均谱图展示
③平均值标准差图形
3、样品分布图
以统计差异最显著蛋白峰****Da（X轴）和****Da （Y轴）建立坐标系的样品分布图（坐标值代表相应蛋白丰度），展示A组与B组样品分布情况，从重叠区域情况评价这两个蛋白的分组能力。
4、疾病预测模型的构建
利用遗传算法，神经网络，快速分类等机器学习语言进行模型的构建，将部分数据用来构建分类模型，然后部分数据作为测试数据集（独立样本）来验证模型的准确性。
|
|
模型判断
为对照
|
模型判断
为疾病
|
|
对照（36）
|
36
|
0
|
|
疾病（37）
|
1
|
36
|
|