Normalización del vecino local: conciliar la normalización precisa y la recuperación de la heterogeneidad en la...

Área de la Ciencia:

• Metabolomía
• La bioinformática
• Análisis de datos

Sus antecedentes:

• Los estudios metabólicos se enfrentan a desafíos con variaciones en la concentración de la muestra (efecto de dilución) que afectan la interpretación de los datos.
• Los métodos de normalización tradicionales (CSN, PQN, MDFC) a menudo pasan por alto la heterogeneidad de los datos, enmascarando potencialmente las verdaderas diferencias biológicas.
• Esta heterogeneidad es crucial para distinguir los subgrupos biológicos en conjuntos de datos complejos.

Objetivo del estudio:

• Introducir la normalización de vecindad local (LNN), un nuevo método para corregir los efectos de dilución en la metabolómica.
• Preservar la variabilidad intrínseca de los datos y las estructuras de datos locales durante la normalización.
• Mejorar la precisión de los análisis posteriores, incluido el descubrimiento de biomarcadores.

Principales métodos:

• LNN normaliza las muestras utilizando un espectro de referencia personalizado derivado de un conjunto de vecinos locales identificados por métricas de similitud.
• El método construye espectros de referencia específicos de la muestra, teniendo en cuenta la estructura de datos locales.
• Las evaluaciones se realizaron en conjuntos de datos metabólicos simulados y reales (NMR, GC-MS, LC-MS).

Principales resultados:

• El LNN demostró un rendimiento superior en la eliminación de los efectos de dilución en comparación con el CSN, el PQN y el MDFC.
• El método recuperó efectivamente la heterogeneidad entre muestras y las correlaciones entre metabolitos.
• La LNN mostró una fuerza particular en conjuntos de datos con más del 50% de metabolitos diferenciales, preservando las estructuras de datos locales.

Conclusiones:

• LNN ofrece un enfoque sólido para la normalización de datos metabolómicos, abordando las limitaciones de los métodos existentes.
• Su capacidad para preservar la heterogeneidad de los datos y las estructuras locales es crítica para la interpretación biológica precisa y el descubrimiento de biomarcadores.
• LNN es versátil, resistente al ruido y aplicable en varias plataformas metabolómicas.