Aprendizaje automático no supervisado para el análisis de datos de imágenes de espectrometría de masas con etiquetado...

Área de la Ciencia:

• Metabolomía
• Biología espacial
• La biofísica

Sus antecedentes:

• Las imágenes de espectrometría de masas (MSI) son cruciales para la metabolomía espacial.
• El análisis no dirigido de los datos de la ISM y la ISM con etiquetado de isótopos in vivo (ISM) presentan desafíos significativos.
• Las aplicaciones de aprendizaje automático (ML) para el análisis MSI siguen siendo inexploradas.

Objetivo del estudio:

• Explorar aplicaciones de aprendizaje automático sin supervisión para el análisis de datos de MSI.
• Aprovechar el ML para diferenciar localizaciones de metabolitos e investigar el etiquetado de isótopos en metabolitos no dirigidos.
• Evaluar el impacto de ML en el tiempo de análisis, el rendimiento y la claridad de las distribuciones de isotopólogos espaciales.

Principales métodos:

• Utilizó el software Cardinal para procesar conjuntos de datos MSI de CO2 y Duckweed etiquetado D2.
• Segmentación centróide reducida espacial (SSC) aplicada, un algoritmo ML sin supervisión, para el análisis de datos.
• Calculó la fracción de la biosíntesis de novo para obtener información sobre el flujo de metabolitos específico del tejido.

Principales resultados:

• La segmentación de SSC identificó cinco segmentos espaciales distintos en la alga marcada con C basados en distribuciones de isótopos de lípidos, superando la clasificación manual.
• La segmentación SSC de la alga D-etiquetada reveló cinco segmentos espaciales caracterizados por perfiles únicos de metabolitos e isotopólogos.
• El análisis de segmentación no dirigida proporcionó información sobre el flujo relativo de metabolitos específico del tejido.

Conclusiones:

• El aprendizaje automático no supervisado mejora significativamente el análisis de conjuntos de datos MSI complejos.
• La aplicación de ML reduce el tiempo de análisis y aumenta el rendimiento de la metabolomía espacial.
• Este enfoque mejora la claridad y la profundidad de la comprensión de las distribuciones isotopológicas espaciales y la dinámica metabólica.