未知物成分分析是通過綜合的分離和分析手段對(duì)復(fù)雜的未知化學(xué)品的成分進(jìn)行定性和定量分析，為科研、產(chǎn)品生產(chǎn)、產(chǎn)品開發(fā)、改進(jìn)生產(chǎn)工藝提供科學(xué)依據(jù)，為企業(yè)引進(jìn)、消化吸收再創(chuàng)新提供強(qiáng)大技術(shù)支撐。

未知物成分分析覆蓋電子、紡織、日化、塑料、橡膠等各個(gè)領(lǐng)域，具體包括：

? 助劑產(chǎn)品：紡織、皮革助劑（柔軟劑、勻染劑、整理劑等）；電鍍（鋅、銅、鉻、鎳、貴重金屬）助劑（前處理添加劑、光亮劑、輔助光亮劑等）；塑料和橡膠制品助劑（增塑劑、抗氧劑、阻燃劑、光和熱穩(wěn)定劑、發(fā)泡劑、填充劑、抗靜電劑等）；涂料助劑（乳化劑、潤濕分散劑、消泡劑、阻燃劑等）；線路板制造化學(xué)品助劑；電子助焊劑；陶瓷助劑；鋁合金表面處理助劑；其它精細(xì)化工助劑

? 油墨產(chǎn)品：墨水，感光油墨等

? 化妝品：洗發(fā)、護(hù)發(fā)用品、護(hù)膚用品、美容用品、口腔衛(wèi)生制品等

? 香精、香料

? 表面活性劑、民用和工業(yè)用清洗劑

? 有機(jī)溶劑: 油漆稀釋劑，天那水，脫漆劑，電子、紡織、印刷行業(yè)用溶劑

? 水處理劑：緩蝕劑、混凝劑和絮凝劑、阻垢劑等

? 石油化學(xué)品：潤滑油，切削液等

? 氣霧劑、光亮劑、殺蟲劑、脫模劑、致冷劑、空氣清新劑等

? 高分子材料

? 其它化工產(chǎn)品

工業(yè)診斷分析是指通過樣品或生產(chǎn)過程中微量污染物的鑒定，來查找工業(yè)生產(chǎn)過程中的質(zhì)量事故原因的方法。
工業(yè)診斷分析需要綜合運(yùn)用各類常量、微量和痕量檢測(cè)技術(shù)，主要成分與雜質(zhì)成分鑒定并舉，有機(jī)分析與無機(jī)分析并重，成分分析與生產(chǎn)工藝流程分析結(jié)合，尤其是對(duì)檢測(cè)結(jié)果的分析和綜合判斷能力要求很高，才能對(duì)產(chǎn)品質(zhì)量事故原因進(jìn)行分析診斷。

工業(yè)診斷分析業(yè)務(wù)已涉及精細(xì)化工、醫(yī)療制品及臨床、造紙、電鍍、精密儀器制造、汽車生產(chǎn)等工業(yè)領(lǐng)域。

行業(yè)資訊：

　數(shù)據(jù)分析　 1. 3. 1 數(shù)據(jù)預(yù)處理 為提取單個(gè)細(xì)胞中有效的代謝組學(xué)信息，同時(shí)降低檢測(cè)噪聲、采樣環(huán)境中外源 性物種等干擾，對(duì)數(shù)據(jù)進(jìn)行預(yù)處理。
首先，使用 MSConvert 軟件將來自 XCalibur 2. 2 的原始數(shù)據(jù)文件 （. raw）轉(zhuǎn)化為 . mzxml格式，提取質(zhì)譜峰（即 m/z值）及其對(duì)應(yīng)的離子強(qiáng)度，形成代謝峰列表。
其次，對(duì) 離子強(qiáng)度進(jìn)行歸一化校正，去除采樣溶劑背景信號(hào)，得到含檢測(cè)離子及其相對(duì)強(qiáng)度的數(shù)據(jù)矩陣。
*后 采用“80%規(guī)則”［18］ 和K近鄰法［19］ 消除缺失值，減少假陽性結(jié)果。
經(jīng)過上述預(yù)處理操作后，迅速減小數(shù) 據(jù)集的大小，同時(shí)保留了來自單個(gè)細(xì)胞的基本代謝組學(xué)信息。
本文涉及的數(shù)據(jù)分析操作均基于Python 3. 8. 3實(shí)現(xiàn)。
1. 3. 2 分類方法 t分布隨機(jī)近鄰嵌入（t-SNE）［20］ 是一種用于高維數(shù)據(jù)集的非線性降維技術(shù)，能實(shí)現(xiàn)對(duì) 微小群體的定性識(shí)別。
本文采用t-SNE降維可視化不同組中單細(xì)胞代謝譜的差異。
LDA是一種泛化性能良好的分類模型［21］ ，其原理是選擇一個(gè)合適向量使線性判別函數(shù)在該向量所在 方向上的投影達(dá)到極值，得到樣本的*大類間散度和*小類內(nèi)散度。
該方法在降維過程中能盡可能多地 保留樣本信息，但其降維數(shù)有限（*多降到類別數(shù)-1維），可能因降維過度導(dǎo)致信息丟失。
RF［22］ 是組合多 個(gè)決策樹的集成學(xué)習(xí)方法，輸出平均決策結(jié)果。
采用隨機(jī)重采樣技術(shù)Bootstrap ping和節(jié)點(diǎn)隨機(jī)分裂技術(shù) 從原始數(shù)據(jù)集中重復(fù)隨機(jī)抽取與原始數(shù)據(jù)集相同數(shù)量的多個(gè)樣本構(gòu)建子數(shù)據(jù)集，利用子數(shù)據(jù)集構(gòu)建子決 策樹，然后融合各個(gè)子決策樹的預(yù)測(cè)結(jié)果。
SVM［23］ 是一個(gè)通過尋找能夠*大化區(qū)分不同類別數(shù)據(jù)集的* 優(yōu)超平面的廣義線性分類器。
對(duì)于線性不可分情況，利用核函數(shù)將數(shù)據(jù)映射到高維空間使其線性可分。
LR［24］ 是通過建立響應(yīng)變量與自變量之間的邏輯函數(shù)并使其*大化，從而達(dá)到*小化貢獻(xiàn)較少變量的影 響。
本文將上述方法應(yīng)用于單細(xì)胞代謝組學(xué)質(zhì)譜數(shù)據(jù)集，對(duì)整個(gè)數(shù)據(jù)集（n = 395）執(zhí)行五次十折交叉驗(yàn) 證，取統(tǒng)計(jì)平均結(jié)果作為*終分類結(jié)果，以減少數(shù)據(jù)分割對(duì)結(jié)果的影響，使分類結(jié)果更可靠。
1. 3. 3 性能評(píng)估 本文采用準(zhǔn)確率（Accuracy）、靈敏度（Sensitivity）、特異度（Specificity）等評(píng)價(jià)指標(biāo) 衡量模型的分類性能。
準(zhǔn)確率是反映模型正確預(yù)測(cè)樣本的能力，其計(jì)算公式見式（1），其中 ncorrect表示