一种端到端的深度学习方法用于质谱数据分析,以揭示特定疾病的代谢概况

科学领域:

• 计算生物学是一种计算生物学.
• 代谢学 代谢学 代谢学
• 医学中的人工智能

背景情况:

• 非定位代谢学提供了全面的代谢分析,但面临着诸如复杂的数据处理,批次间的变异性和未识别的代谢物等挑战.
• 代谢学的医学应用受到这些数据复杂性的阻碍,限制了准确的疾病诊断和生物标志物发现.
• 现有的方法难以有效处理原始代谢信号,需要先进的分析方法.

研究的目的:

• 介绍DeepMSProfiler,一种可解释的深度学习方法,用于对原始代谢信号进行端到端分析.
• 提高用于医疗应用的代谢数据分析的准确性和可靠性,特别是疾病诊断.
• 解决代谢学方面的挑战,包括数据复杂性,批次间的变化和未识别的代谢物.

主要方法:

• 开发了DeepMSProfiler,这是一个可解释的深度学习模型,用于分析来自原始信号的非目标代谢数据.
• 使用了859个人类血清样本 (肺腺癌,良性肺结节,健康对照) 的跨医院数据集.
• 采用了一套整体策略来缓解多重分类问题,并为网络分析提供了可解释性.

主要成果:

• 在区分新陈代谢特征 (AUC 0.99) 和检测早期肺腺癌 (精度 0.961) 中,DeepMSProfiler 实现了高精度.
• 该方法证明了对医院间变异性和未知代谢物的信号的稳定性.
• 确定了与疾病相关的代谢物-蛋白质网络,并在脂质代谢学数据中发现了相关性.

结论:

• DeepMSProfiler提供了使用代谢数据进行疾病诊断的可靠和简单的方法.
• 可解释的AI方法通过揭示代谢物-蛋白质相互作用来促进疾病机制的发现.
• 该方法在提高医疗诊断和了解疾病生物学方面具有广泛的应用性.