靶向代谢组学定量方法¶

# === 靶向代谢组学标准曲线拟合与定量 ===
import numpy as np
import pandas as pd
from scipy import stats
import matplotlib.pyplot as plt

# 1. 标准品浓度梯度和对应峰面积
std_conc = np.array([0.1, 0.5, 1, 5, 10, 50, 100])  # 标准品浓度(μM)
std_area = np.array([520, 2800, 5200, 27000, 53000, 268000, 540000])  # 对应峰面积
is_area = np.array([50000]*7)  # 内标峰面积（理想情况恒定）

# 2. 计算峰面积比（目标物/内标）
area_ratio = std_area / is_area  # 用比值消除仪器波动

# 3. 线性回归拟合标准曲线
slope, intercept, r_value, p_value, std_err = stats.linregress(
    std_conc, area_ratio  # 浓度vs面积比做线性回归
)
r_squared = r_value ** 2  # 计算R²
print(f"标准曲线: y = {slope:.4f}x + {intercept:.4f}, R² = {r_squared:.4f}")

# 4. 用标准曲线计算未知样本浓度
sample_area = 35000   # 未知样本目标物峰面积
sample_is = 48000     # 未知样本内标峰面积
sample_ratio = sample_area / sample_is  # 计算面积比
sample_conc = (sample_ratio - intercept) / slope  # 反算浓度
print(f"样本浓度: {sample_conc:.2f} μM")

# 5. 批量计算所有样本
samples = pd.read_csv("sample_areas.csv")  # 读取样本数据
samples["ratio"] = samples["target_area"] / samples["IS_area"]  # 面积比
samples["conc_uM"] = (samples["ratio"] - intercept) / slope  # 反算浓度
samples.to_csv("quantified_results.csv", index=False)  # 保存定量结果