未知物成分分析是通過(guò)綜合的分離和分析手段對復雜的未知化學(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(kāi)發(fā)、改進(jìn)生產(chǎn)工藝提供科學(xué)依據，為企業(yè)引進(jìn)、消化吸收再創(chuàng )新提供強大技術(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(xiàn)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；其它精細化工助劑

? 油墨產(chǎn)品：墨水，感光油墨等

? 化妝品：洗發(fā)、護發(fā)用品、護膚用品、美容用品、口腔衛生制品等

? 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(chóng)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(guò)樣品或生產(chǎn)過(guò)程中微量污染物的鑒定，來(lái)查找工業(yè)生產(chǎn)過(guò)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用各類(lèi)常量、微量和痕量檢測技術(shù)，主要成分與雜質(zhì)成分鑒定并舉，有機分析與無(wú)機分析并重，成分分析與生產(chǎn)工藝流程分析結合，尤其是對檢測結果的分析和綜合判斷能力要求很高，才能對產(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)已涉及精細化工、醫療制品及臨床、造紙、電鍍、精密儀器制造、汽車(chē)生產(chǎn)等工業(yè)領(lǐng)域。

行業(yè)資訊：

　數據分析　 1. 3. 1 數據預處理 為提取單個(gè)細胞中有效的代謝組學(xué)信息，降低檢測噪聲、采樣環(huán)境中外源 性物種等干擾，對數據進(jìn)行預處理。
使用 MSConvert 軟件將來(lái)自 XCalibur 2. 2 的原始數據文件 （. raw）轉化為 . mzxml格式，提取質(zhì)譜峰（即 m/z值）及其對應的離子強度，形成代謝峰列表。
對 離子強度進(jìn)行歸一化校正，去除采樣溶劑背景信號，得到含檢測離子及其相對強度的數據矩陣。
*后 采用“80%規則”［18］ 和K近鄰法［19］ 消除缺失值，減少假陽(yáng)性結果。
經(jīng)過(guò)上述預處理操作后，迅速減小數 據集的大小，保留了來(lái)自單個(gè)細胞的基本代謝組學(xué)信息。
本文涉及的數據分析操作均基于Python 3. 8. 3實(shí)現。
1. 3. 2 分類(lèi)方法 t分布隨機近鄰嵌入（t-SNE）［20］ 是一種用于高維數據集的非線(xiàn)性降維技術(shù)，能實(shí)現對 微小群體的定性識別。
本文采用t-SNE降維可視化不同組中單細胞代謝譜的差異。
LDA是一種泛化性能良好的分類(lèi)模型［21］ ，其原理是選擇一個(gè)合適向量使線(xiàn)性判別函數在該向量所在 方向上的投影達到極值，得到樣本的*大類(lèi)間散度和*小類(lèi)內散度。
該方法在降維過(guò)程中能盡可能多地 保留樣本信息，但其降維數有限（*多降到類(lèi)別數-1維），可能因降維過(guò)度導致信息丟失。
RF［22］ 是組合多 個(gè)決策樹(shù)的集成學(xué)習方法，輸出平均決策結果。
采用隨機重采樣技術(shù)Bootstrap ping和節點(diǎn)隨機分裂技術(shù) 從原始數據集中重復隨機抽取與原始數據集相同數量的多個(gè)樣本構建子數據集，利用子數據集構建子決 策樹(shù)，融合各個(gè)子決策樹(shù)的預測結果。
SVM［23］ 是一個(gè)通過(guò)尋找能夠*大化區分不同類(lèi)別數據集的* 優(yōu)超平面的廣義線(xiàn)性分類(lèi)器。
對于線(xiàn)性不可分情況，利用核函數將數據映射到高維空間使其線(xiàn)性可分。
LR［24］ 是通過(guò)建立響應變量與自變量之間的邏輯函數并使其*大化，從而達到*小化貢獻較少變量的影 響。
本文將上述方法應用于單細胞代謝組學(xué)質(zhì)譜數據集，對整個(gè)數據集（n = 395）執行五次十折交叉驗 證，取統計平均結果作為*終分類(lèi)結果，以減少數據分割對結果的影響，使分類(lèi)結果更可靠。
1. 3. 3 性能評估 本文采用準確率（Accuracy）、靈敏度（Sensitivity）、特異度（Specificity）等評價(jià)指標 衡量模型的分類(lèi)性能。
準確率是反映模型正確預測樣本的能力，其計算公式見(jiàn)式（1），其中 ncorrect表示