Lx 范数惩罚项在多变量曲线分辨方法中解析 LC/GC-MS 数据的效应探究
机器学习
2019-05-22 v1 机器学习
摘要
复杂 LC-MS 或 GC-MS 数据的解析存在不同问题，例如嵌入的色谱峰、连续背景以及不同组分在质量通道上的重叠。这些问题导致使用多变量曲线分辨（MCR）方法计算的恢复谱中存在旋转模糊。由于质谱本质上是稀疏的，近来提出将稀疏性作为 MCR 方法中分析 LC-MS 数据的约束。稀疏性约束有多种实现方式，多数方法依赖于对恢复质谱的 L0、L1 和 L2 范数施加惩罚。岭回归和最小绝对收缩与选择算子（Lasso）可分别用于在 MCR 中实现 L2 和 L1 范数惩罚。主要问题是哪种 Lx 范数惩罚更值得在 MCR 方法中用于实现稀疏性约束。为解答此问题，本工作模拟了双组分和三组分 LC-MS 数据并用于案例研究。使用网格搜索策略计算了可行解区域（AFS）。计算 AFS 中 x 介于零和二之间的 Lx 范数值表明，优化表面的梯度从 x 等于二增加到 x 接近零。然而，当 x 等于零时，优化表面类似于高原，增加了陷入局部极小值的风险。总体而言，本工作的结果推荐在 MCR-ALS 算法中使用 Lasso 等 L1 范数惩罚方法来实现稀疏性约束，以获得更稀疏的解并减小旋转模糊的程度。
引用
@article{arxiv.1905.08575,
title = {Exploring the effects of Lx-norm penalty terms in multivariate curve resolution methods for resolving LC/GC-MS data},
author = {Ahmad Mani-Varnosfaderani and Mohammad Javad Masroor},
journal= {arXiv preprint arXiv:1905.08575},
year = {2019}
}