Imputación de metabolómica multiplataforma utilizando autoencoders ponderados por importancia

Área de la Ciencia:

• Biología Computacional
• Metabolómica
• Bioinformática

Sus antecedentes:

• La heterogeneidad de los datos de metabolómica entre plataformas y métodos de cuantificación dificulta la síntesis de datos y la replicación.
• La integración de datos de metabolómica de diversas fuentes es crucial para estudios epidemiológicos a gran escala y metaanálisis.

Objetivo del estudio:

• Desarrollar y validar un método escalable y preciso para la imputación de metabolómica multiplataforma.
• Permitir la agregación de datos de metabolómica de diferentes plataformas, específicamente Metabolon y National Phenome Centre (NPC).

Principales métodos:

• Se desarrolló un conjunto de autoencoders ponderados por importancia para la imputación de metabolómica multiplataforma.
• El método se aplicó a 979 muestras del Airwave Health Monitoring Study, comparando las plataformas Metabolon y NPC.
• La precisión de la imputación se evaluó correlacionando las muestras generadas con los valores reales y evaluando la varianza capturada.

Principales resultados:

• Las muestras de metabolómica generadas mostraron una alta correlación con los valores reales (µρ = 0.61).
• Un subconjunto de 199 metabolitos imputados (22%) capturó ≥55% de la varianza con una incertidumbre mínima.
• Las asociaciones entre metabolitos imputados y resultados clínicos (IMC, PCR) fueron altamente concordantes con las asociaciones de metabolitos reales en muestras de validación.

Conclusiones:

• El conjunto de autoencoders desarrollado proporciona una solución escalable y precisa para la imputación de metabolómica multiplataforma.
• Esta innovación metodológica facilita la integración de datos de metabolómica de fuentes dispares para mejorar la investigación.
• El enfoque apoya la replicación robusta y los metaanálisis en estudios epidemiológicos a gran escala.