使用深度学习预测液体染色学中小分子保留时间的洞察力

科学领域:

• 计算代谢学是指计算代谢学.
• 分析化学是一种分析化学.
• 生物信息学是一种生物信息学.

背景情况:

• 非定位代谢学使用液态染色体质谱法 (LC-MS) 来识别小分子.
• 准确的代谢物注释受到大量小分子和预测保留时间 (RT) 的挑战的阻碍.
• 在 silico 工具存在,但通常会产生广泛的候选名单,需要改进 RT 预测以准确识别.

研究的目的:

• 审查人工智能驱动的保留时间 (RT) 预测在计算代谢学中小分子的进展.
• 突出大型RT数据集,特别是METLIN数据集对RT预测中的深度学习应用的影响.
• 讨论数据库,分子表示方法,人工智能算法以及基于人工智能的RT预测对代谢物注释的挑战.

主要方法:

• 对科学文献的审查,重点是人工智能和深度学习,用于在代谢学中预测RT.
• 对公开可用的RT数据集和分子表示技术的分析.
• 讨论最近的RT预测研究中应用的AI算法.

主要成果:

• 人工智能,特别是深度学习,在过去五年中在RT预测准确度方面取得了重大进展.
• 大量的RT数据集的可用性对于训练有效的AI模型至关重要.
• 基于人工智能的RT预测显示了减少虚假阳性和促进代谢物注释的前景.

结论:

• 人工智能技术为改善代谢学中小分子RT预测提供了强大的解决方案.
• 需要进一步的研究来解决分子表示的不一致性,并实现人工智能工具的实际,广泛应用.
• 人工智能算法和数据集的持续开发将提高代谢物识别的准确性和效率.