在生物学的许多领域中,常用机器学习算法来建立模型,以便从多元分析数据中识别生物样本的类型或状态。机器学习算法建立的模型本质上是进行模式识别,有时更正式地称为多元分类。在代谢组学中,这种模型长期被用来证明样本类之间存在客观的生物化学差异。这通常被用来证明一个假设,但也可以被认为是自动化的未知样本分类的第一步,或者识别可以作为新诊断试验基础的生物标记物。有大量的机器学习方法,包括偏最小二乘判别分析(PLS-DA),人工神经网络(ANN),极限学习(ELM)和支持向量机(SVM)。在代谢组学领域,PLS-DA长期占据主导地位,以至于一些研究者完全没有意识到还可以用其他更好的方案。事实上,其他方法已经取得飞速进展,特别是支持向量机在代谢组学中的应用已被证明超越PLS-DA。相对于传统的化学计量学方法,支持向量机对具有高复杂度边界的线性和非线性预测模型的支持的这一优势,刚好可以处理具有极其复杂性质的代谢组学数据。在本研究中,代谢组数据选用的是使用戊四唑(治疗组)和生理盐水(对照组)治疗四周的小鼠在治疗期结束之后收集的尿液,提取出脑区,提取出代谢产物,并使用NMR分析的样本。我们将传统的PLS-DA多变量分析的性能与支持向量机(SVMs)进行比较。表明SVMs的预测精度都优于PLS-DA。利用R实现SVM,得出小鼠小便数据和大脑数据分类的准确度分别为82.67%和83.17%与其他实验组使用ELM(83.33%和72.73%),DNN(50.00%和27.78%)得到的数据相比,使用SVM的效果更好。