質譜，讀出食品的分子指紋

最靈敏的「分子之眼」

質譜（Mass Spectrometry, MS）依分子的質荷比（m/z）偵測化合物，靈敏度可達 ppb 等級。 搭配氣相或液相層析（GC-MS / LC-MS），一次分析就能在一個樣本裡，量出上百種代謝物——形成獨一無二的化學指紋。

  酒樣本 ──▶ GC-MS 分析 ──▶ 每個化合物在特定 m/z 被偵測 ──▶ 整理成「樣本 × 代謝物」資料矩陣

白酒 GC-MS 代謝體（公開資料）

NIH Metabolomics Workbench 的 White Wine Study（ST000006）：101 支白酒， 以 GC-TOF 質譜量得 108 種代謝物的峰高，並標註葡萄品種與產地。屬公開資料（CC0）。

前處理：log + autoscale

代謝物峰高跨了約 5 個數量級，大訊號會淹沒小訊號。先取 對數 壓縮範圍，再 autoscale（逐欄標準化）讓每種代謝物公平貢獻——這是質譜代謝體學的標準前處理，作用等同近紅外光譜裡的 SNV。

PCA：把上百種代謝物壓成幾個方向

主成分分析（Principal Component Analysis）在資料最分散的方向上建立新座標軸： PC1 是變異最大的方向、PC2 與它垂直且次大……少數幾個主成分，就能描述最重要的結構。

要保留幾個主成分？

先抓異常：PCA 自動找出 2001 批次

清理後：品種自己浮現

負荷量回連化學

PLS-DA：用指紋「鑑別」葡萄品種

偏最小二乘判別分析（PLS Discriminant Analysis）給模型看過品種標籤，找出的潛在變量 同時解釋指紋的變異、又對齊類別分界。這就是它和 PCA 的關鍵差異：PCA 只看 X，PLS-DA 一手抓 X、一手抓類別。

監督式分數：LV1 直接分開兩品種

該用幾個潛在變量？用交叉驗證

成果：交叉驗證下的混淆矩陣

哪些代謝物在做決定？

Python 程式（scikit-learn）

整套分析用 numpy / pandas / scikit-learn 完成，可重現。完整檔案見 python/ 目錄。

前處理 — log + autoscale（python/ms_utils.py）

def preprocess(X):
    """log10 壓縮動態範圍 + autoscale 逐代謝物標準化（質譜代謝體標準前處理）。"""
    Xlog = np.log10(X + 1.0)
    mu = Xlog.mean(axis=0, keepdims=True)
    sd = Xlog.std(axis=0, ddof=1, keepdims=True); sd[sd == 0] = 1.0
    return (Xlog - mu) / sd

PCA — 主成分分析 + Hotelling T² 異常偵測（python/02_pca.py）

from sklearn.decomposition import PCA

Xp = preprocess(X)                       # log + autoscale
pca = PCA(n_components=8).fit(Xp)
T = pca.transform(Xp)                     # 樣本在新軸上的位置（分數）
# Hotelling T^2（前 2 個 PC）找出落在 99% 信賴範圍外的 5 支酒 -> 2001 批次
t2 = (T[:, :2] ** 2 / pca.explained_variance_[:2]).sum(1)
# 去掉異常後重算，品種自動分群；PC1 ≈ 22%

PLS-DA — 分類 Chardonnay vs Sauvignon Blanc（python/03_plsda.py）

from sklearn.cross_decomposition import PLSRegression
from sklearn.model_selection import StratifiedKFold, cross_val_predict

y = (variety_group == "Chardonnay").astype(int)   # 類別編碼 0/1
# log + autoscale 放進 pipeline，確保前處理在「每一折」內進行（誠實驗證）
yhat = cross_val_predict(make_pipe(n_lv=5), X_raw, y.astype(float),
                         cv=StratifiedKFold(5, shuffle=True, random_state=42))
acc = ((yhat >= 0.5).astype(int) == y).mean()      # 5 折 CV 準確率 = 100%

pip install numpy pandas scipy scikit-learn matplotlib
cd python
python 01_explore.py     # 抓資料 + 指紋 / 前處理圖
python 02_pca.py         # 陡坡 / 分數（含異常）/ 負荷量
python 03_plsda.py       # 監督分數 / 選 LV / 混淆矩陣 / VIP
# 所有圖輸出到 python/figures/

用 Orange Data Mining 親手拉一遍

課堂可用 Orange 的拖拉式 widget，不寫一行程式就重現上面的 PCA 與品種鑑別。 開啟 orange/wine_ms_workflow.ows，把 File 指向 data/wine_orange.tab 即可。

          ┌─ Data Table        （檢視原始峰高）
          │
 File ────┼─ PCA ──Transformed Data──▶ Scatter Plot          ← PCA 分支（Color = variety）
(wine_    │
 orange)  └─ Select Rows ──▶ Logistic Regression ──▶ Test & Score ──▶ Confusion Matrix
                （Chardonnay vs Sauvignon Blanc，PLS-DA 的 Orange 對應）

關於 PLS-DA：Orange 內建的 PLS widget 只做數值回歸，故分類分支改用 Logistic Regression——同樣是監督式線性鑑別，能直接輸出混淆矩陣，教學概念與 PLS-DA 完全相通。

PCA 與 PLS-DA，一張表看懂