Quantitative Analyse von Protein-Massenspektren
Quantitative Analyse von Protein-Massenspektren
Quantitative Analyse von Protein-Massenspektren
Sie wollen auch ein ePaper? Erhöhen Sie die Reichweite Ihrer Titel.
YUMPU macht aus Druck-PDFs automatisch weboptimierte ePaper, die Google liebt.
Man betrachtet um einen Datenpunkt yi nL Punkte links da<strong>von</strong> und nR Punkte rechts da<strong>von</strong>, insgesamt<br />
�=nL+nR+1 Punkte. Dies entspricht dem Fenster, welches über die Datenpunkte geschoben<br />
wird. Die Ordinaten werden mit einem Gewichtungsfaktor cn multipliziert. Bei „moving<br />
window averaging“ ist cn=1/�.<br />
= ∑<br />
= −<br />
R n<br />
i cn<br />
n nL<br />
g y<br />
(3.2.1)<br />
i+<br />
n<br />
Dieses Verfahren kann für Spektren nicht angewendet werden, obwohl es auf den ersten Blick<br />
seinen Zweck, nämlich das Rauschen zu vermindern, zu erfüllen scheint. Die Methode bringt<br />
nämlich zusätzliches unerwünschtes Rauschen ins Signal, weil sie sehr stark dazu neigt, Peaks<br />
in ihrer Intensität zu vermindern (vgl. Abb. 3.2.1).<br />
Savitzky und Golay haben 1964 einen Glättungsalgorithmus (genannt: Savitzky-Golay oder<br />
least-squares) speziell für Spektren entwickelt, welcher die Eigenschaft hat, das Rauschen zu<br />
eliminieren, ohne dabei die Intensität der Peaks zu verändern [SavGol64]. Hierbei wird die<br />
Annahme gemacht, dass die x-Ordinaten äquidistant sind und dass nur die y-Daten verrauscht<br />
sind. Die Methode <strong>von</strong> Savitzky und Golay ist bis auf die Bestimmung des Gewichtungsfaktors<br />
cn analog zum „moving window averaging“-Algorithmus. Um gute Gewichtungsfaktoren<br />
für die im Fenster befindlichen Punkte zu erhalten, wird ein Fitting eines Polynoms M-ten<br />
Grades auf die Ordinaten y i-n ,..., y<br />
L i+<br />
n durchgeführt. Das Polynom hat die Form:<br />
R<br />
k M<br />
k<br />
M<br />
f i = ∑ aki<br />
= a + a i + + aM<br />
i -nL<br />
≤ i ≤<br />
k<br />
=<br />
( )<br />
0 1 ... wobei<br />
= 0<br />
n<br />
R<br />
(3.2.2)<br />
Die Parameter a werden so gewählt, dass der quadratische Fehler χ², d.h. die Differenz zwischen<br />
berechneten und tatsächlichen Punkten, minimiert wird.<br />
2<br />
i<br />
n<br />
∑<br />
n=<br />
−n<br />
= R<br />
( f ( i + n)<br />
− y )<br />
L<br />
2<br />
i+<br />
n<br />
χ (3.2.3)<br />
Um die Parameter a zu finden, welche χ² minimieren, wird die erste Ableitung nach den Parametern<br />
gebildet. Hierbei erhält man:<br />
39