数据探索
从这个距离矩阵开始，我们可以使用所有数据探索功能clumsid优惠。
现在，当我们制作MDS图时，我们了解到相似性数据与可比的高分辨率数据有很大不同：
图1：多维缩放图作为MS的可视化2低分辨率LC-MS/MS示例数据集的光谱相似性。黑点表示来自未知代谢产物的光谱。
为了更好地概述数据和一般相似性行为，我们创建了距离矩阵的热图：
图2：显示MS的距离矩阵的对称热图2低分辨率LC-MS/MS示例数据集的光谱相似性。以及基于距离矩阵的分层聚类产生的树状图。颜色编码显示在左上角插入中。
我们清楚地看到，加热图通常比一般教程（由左上角的直方图支持的直觉）要多得多，即我们之间的光谱之间的相似性具有更高的一般性相似性。这并不奇怪，因为m/z信息的水平少于高分辨率数据，而不同总和公式的片段更可能具有无法区分的质量与充电比。
我们还看到可以识别一些或多或少的紧凑型簇。这在树状图可视化中更容易检查：
图3：圆形树状图是基于MS的聚集层次聚类，平均连接为聚集标准的结果2低分辨率LC-MS/MS示例数据集的光谱相似性。每个叶子代表一个特征，颜色编码特征的群集隶属关系。叶标签显示功能ID。距中心点的距离指示树状图的高度。
总之，Clumsid能够处理低分辨率LC-MS/MS数据，如果没有高分辨率数据，则在低分辨率数据中提供光谱相似性的概述可能非常有用，从而帮助代谢物注释，如果某些单独的代谢物如果某些单独的代谢物注释可以通过与真实标准进行比较来识别。但是，关于特征注释，应始终为其提供的许多好处而受到高分辨率方法。