Red convolucional de gráficos relacionales para una clasificación robusta del espectro de masas

Área de la Ciencia:

• Química analítica
• Biología computacional
• Ciencia de los datos

Sus antecedentes:

• El aprendizaje automático supervisado sobresale en la interpretación y segmentación de datos de espectrometría de masas (MSI).
• Los métodos actuales a menudo requieren un procesamiento previo específico del conjunto de datos y no utilizan la información química de la espectrometría de masas de alta resolución (HRMS).
• HRMS ofrece características ricas como defectos de masa y diferencias de masa cruciales para el análisis químico.

Objetivo del estudio:

• Desarrollar una nueva arquitectura de aprendizaje profundo para MSI que utilice efectivamente las características de HRMS.
• Mejorar la interpretación y segmentación de los datos MSI mediante la codificación explícita de la información química.
• Mejorar la solidez y la interpretabilidad de los modelos de análisis MSI.

Principales métodos:

• Propuso una arquitectura de red convolucional de gráficos relacionales (R-GCN) para MSI.
• Espectro representado como gráficos, codificando defectos de masa y diferencias de masa para capturar relaciones químicas.
• Mapeo integrado de activación de clases (CAM) para la interpretabilidad del modelo.

Principales resultados:

• El modelo R-GCN demostró un rendimiento superior en comparación con las líneas de base de aprendizaje convencional y profundo en diversos conjuntos de datos de MSI.
• El enfoque mostró robustez contra las variaciones comunes de la señal como los desplazamientos de masa y la pérdida de iones.
• CAM permitió la identificación de familias de iones clave asociadas con regiones biológicas o espaciales específicas.

Conclusiones:

• El modelo R-GCN ofrece un enfoque químicamente informado para el análisis de MSI, superando a los métodos existentes.
• Esta nueva arquitectura mejora la comprensión de la composición de la muestra a partir de los datos del MSI.
• El método proporciona una herramienta más interpretable y robusta para el análisis de datos MSI.