代谢组学是定量考察生命体系对内外界刺激、或者基因修饰的代谢应答规律。在探究某一特定刺激因素对代谢系统的影响时,若存在不感兴趣因素,且这些因素对代谢系统的影响是系统性的(Systematic),则将使得数据难于分析,影响分析结果的准确性。因此,对不感兴趣的系统性因素进行校正是一个重要的研究课题。本文做了以下两个方面的工作:一、提出基于聚类的不感兴趣残差滤除方法(CURE)。CURE算法首先对数据矩阵进行ANOVA分解,保留数据的整体均值矩阵和研究因素矩阵,然后对归一化后的数据矩阵进行聚类分析得到所有系统因素影响的分布情况,随后将分类样本的类间均值从归一化数据中滤除得到“干净”的残差矩阵,最后将该残差矩阵重新加回总体均值矩阵和研究因素矩阵得到校正后的数据。将该算法和基于ANOVA的方法、正交信号校正、Climaco-Pinto等人的方法(CPF)进行比较,结果表明该方法能有效的校正系统性因素的影响并且保持较低的过拟合风险。二、联合生化数据对代谢组学数据中的系统性因素进行校正。基于OSC的联合校正新方法首先借助OSC将代谢组学数据矩阵分成与因变量矩阵(Y)平行和与因变量(Y)垂直的两部分,然后将与Y垂直部分的信息投影到生化数据空间,重新保留与生化数据平行的代谢组学数据信息。将生物个体的生化数据用于代谢组学数据的系统性因素校正,通过多平台数据融合的方式,从生物信息角度进一步改善校正方法对于数据的作用。真实的肝病数据分析结果表明,该方法能有效的校正系统性因素的干扰,增强疾病因素的显著性,提高多元统计分析模型的预测能力和解释能力。同时,模型的置换检验结果显示该校正方法具有较强的稳定性。本文研究为代谢组学数据中系统性因素的校正提供了新的方法,两种方法都能有效的减少系统性因素的影响,提高后续统计分析的准确性,突出数据中的生物信息差异。