ローカル・ナビス・ノーマライゼーション:大規模なメタボロミクスにおける正確なノーマライゼーションと異質性回復の調和

科学分野:

• メタボロミクス
• バイオ情報学
• データ分析

背景:

• メタボロミクス研究では,サンプル濃度の変動 (希釈効果) がデータ解釈に影響を及ぼします.
• 伝統的な標準化方法 (CSN,PQN,MDFC) は,データの異質性を無視し,真の生物学的違いを隠している可能性があります.
• この異質性は,複雑なデータセットにおける生物学的サブグループを区別するために重要である.

研究 の 目的:

• メタボロミクスにおける希釈効果の修正のための新しい方法であるローカル・ネイバー・ノーマライゼーション (LNN) を導入する.
• 標準化中に固有のデータ変数性とローカルデータ構造を保存する.
• バイオマーカーの発見を含む下流分析の精度を改善する.

主な方法:

• LNNは,類似度メトリクスを用いて特定された局所的な隣人セットから派生した調整された参照スペクトルを使用してサンプルを正規化します.
• この方法は,局所データ構造を考慮して,サンプル特有の参照スペクトルを構築します.
• 評価は,シミュレートされたおよび実際の代謝データセット (NMR,GC-MS,LC-MS) で行われた.

主要な成果:

• LNNは,CSN,PQN,MDFCと比較して,希釈効果を排除する上で優れた性能を示した.
• この方法は,サンプル間の異質性とメタボリート間の相関性を効果的に回復させた.
• LNNは,局所データ構造を保ち,50%以上の異なる代謝産物を持つデータセットで特に強さを示した.

結論:

• LNNは,既存の方法の限界に対処する,メタボロミクスデータの正常化に堅実なアプローチを提供します.
• データの異質性と局所的な構造を保存する能力は,正確な生物学的解釈とバイオマーカーの発見に不可欠です.
• LNNは汎用性があり,ノイズに強く,様々なメタボロミクスプラットフォームに適用できます.