Video Experimental Relacionado
Updated: Jan 7, 2026
08:27
Large-Scale Multi-Omics Genome-Wide Association Studies Mo-GWAS: Guidelines for Sample Preparation and Normalization
Published on: July 27, 2021
4.7K
HGAlign: Corrección de efectos de lote y clasificación biológicamente conservadora para metabolómica a través de la
Yang Gao1, Haoyun Yu1, Chunman Zuo2
1School of Computer Science and Technology, Donghua University, Shanghai 201620, China.
Computational biology and chemistry
|December 25, 2025
Resumen
HGAlign, un novedoso modelo de red neuronal, corrige eficazmente los efectos de lote en la metabolómica a gran escala de espectrometría de masas de desorción/ionización asistida por láser (MALDI-MS). Preserva las señales biológicas, mejorando la precisión de la clasificación de enfermedades y la identificación de metabolitos.
Área de la Ciencia:
- Biología Computacional
- Química Analítica
- Biotecnología
Sus antecedentes:
- La metabolómica a gran escala utilizando espectrometría de masas de desorción/ionización asistida por láser (MALDI-MS) es crucial para el perfilado biológico.
- Los efectos de lote en experimentos MALDI-MS, derivados de variaciones en el procesamiento y el instrumento, oscurecen las señales biológicas y reducen la reproducibilidad.
- Los métodos actuales de corrección de lotes a menudo simplifican en exceso o corren el riesgo de eliminar información biológica vital.
Objetivo del estudio:
- Desarrollar un método robusto para corregir efectos de lote en datos MALDI-MS a gran escala.
- Preservar información biológicamente relevante, como diferencias metabólicas específicas de la enfermedad, durante la corrección de lotes.
- Mejorar la precisión y generalización de los análisis posteriores en metabolómica.
Principales métodos:
- Introducción de HGAlign (Modelo de Alineación de Grafos Heterogéneos), una red neuronal que utiliza redes convolucionales de grafos heterogéneos.
- Aprendizaje de las relaciones entre muestras y características metabólicas para permitir una corrección de lotes eficaz.
- Aplicación a conjuntos de datos públicos de CyTOF y datos clínicos de suero MALDI-MS de pacientes con lupus eritematoso sistémico (LES).
Principales resultados:
- HGAlign reduce significativamente las discrepancias entre lotes en datos MALDI-MS.
- El modelo mantiene o mejora la precisión de la clasificación para la predicción de enfermedades (por ejemplo, LES).
- HGAlign logra un rendimiento de vanguardia, demostrado por los valores más bajos de Distancia Molecular Mínima (MMD) y métricas de clasificación mejoradas, al tiempo que evita la sobrecorrección.
Conclusiones:
- HGAlign proporciona un marco basado en principios para equilibrar la eliminación de efectos de lote y la preservación de señales biológicas en metabolómica de alto rendimiento.
- El aprendizaje de representación de grafos heterogéneos mejora la corrección de lotes y el rendimiento de la clasificación de enfermedades.
- HGAlign muestra un gran potencial para aplicaciones clínicas a gran escala en la investigación de metabolómica.
