一、我的环境
- 64位Window操作系统
- R-4.1.1
- Rstudio
二、示例数据
-
BCA法测蛋白浓度，根据绘制标准曲线的数据，来实现吸光值与浓度之间的线性回归。并使用模型，根据自己的蛋白样品的吸光值预测其浓度。
图1 示例数据 -
蛋白样品吸光值
图2 蛋白吸光值数据
三、实现代码
library(ggplot2)
x<-c(0,0.001699999,0.007999994,0.020899996,0.041099995,0.052499995,0.070199996,0.087400004)
y<-c(0,0.025,0.05,0.1,0.2,0.3,0.4,0.5)
Protein_standard<-data.frame(absorbance=x,concentration=y)
ggplot(Protein_standard,aes(x=absorbance,y=concentration))+geom_point()+geom_smooth(method="lm")+labs(x="absorbance",y="concentration")
fit<-lm(concentration~absorbance,data=Protein_standard)#因变量~自变量
#summary(fit)#回归参数
new.absorbance <- data.frame(absorbance= c(0.334300011,0.502300024,0.361600012,0.482800007))#已知吸光值，根据模型预测浓度
predict(fit,newdata = new.absorbance,interval = "confidence")#显示均值预测的95％置信区间
四、结果
图3 回归公式
图4 回归结果
图5 预测结果
所以，最终的蛋白样品的吸光值测出的浓度分别是上面这些。
这篇文章不错
数据可视化——R语言绘制散点相关图并自动添加相关系数和拟合方程_微露的博客-CSDN博客_r语言相关性分析散点图
