鼠标胰腺质谱成像数据的等级双集群使用递归等级-2非负矩阵因子化
Melanie Nijs1, Etienne Waelkens2, Bart De Moor1
1STADIUS Center for Dynamical Systems, Signal Processing, and Data Analytics, Department of Electrical Engineering (ESAT), KU Leuven, 3001 Leuven, Belgium.
Journal of the American Society for Mass Spectrometry
|October 9, 2024
概括
分析质谱成像数据是具有挑战性的,因为信号噪声比较低. 一个新的递归排名-2非负矩阵因子化 (rr2-NMF) 算法有效地可视化所有丰度级别的局部化分子.
科学领域:
- 分析化学 分析化学
- 生物物理学的生物物理.
- 计算生物学 计算生物学
背景情况:
- 质谱成像 (MSI) 数据分析面临的挑战是信号噪声比较低,通常是由低分子丰度,样本准备和矩阵效应引起的.
- 高丰度分子可以抑制低丰度信号,导致传统分析工具 (如主要成分分析 (PCA)) 的误解.
- 一个分子在MSI数据中的重要性可能与其观察到的丰度没有直接相关.
研究的目的:
- 开发一种用于分析质谱成像数据的新算法,以提高对低丰度分子的灵敏度.
- 为了使高和低丰度分子的同时可视化和它们的空间定位.
- 克服经典MSI数据分析方法在处理信号抑制和不同强度方面的局限性.
主要方法:
- 开发了一个递归的排名-2非负矩阵因子化 (rr2-NMF) 算法.
- 该算法使用等级分解来识别不同丰度水平的空间和光谱相关性.
- 该方法使用健康小鼠胰腺组织的MALDI-TOF数据进行了评估.
主要成果:
- rr2-NMF算法成功地提供了光谱和空间可视化 colocalized 分子,无论他们的丰度.
- 该方法在分析含量较低的分子方面表现出有效性,有助于它们的注释.
- 分析揭示了关于组织内特定分子的功能和同位化的新见解.
结论:
- 开发的 rr2-NMF 算法为分析复杂的 MSI 数据提供了强大的解决方案,特别是对于低丰度分析物.
- 这种等级分解方法增强了在生物组织中分子关系和功能的发现.
- 这些发现通过先进的MSI数据分析,有助于更好地了解健康和疾病中的分子相互作用和分布.
