集成深度神经网络建模和基于LC-MS的伪定向代谢学,以区分容易混的人参物种
Meiting Jiang1,2, Yuyang Sha3, Yadan Zou1,2
1State Key Laboratory of Chinese Medicine Modernization, Tianjin University of Traditional Chinese Medicine, Tianjin, 301617, China.
Journal of pharmaceutical analysis
|February 4, 2025
概括
这项研究引入了一种新的伪定向代谢学和深度神经网络 (DNN) 方法,用于准确的植物物种差异化,克服传统方法的局限性. 该方法提高了分类性能,即使是小样本,也显示出对更广泛的植物代谢学应用的希望.
科学领域:
- 代谢学和植物科学
- 生物信息学和化学测量学
- 机器学习在生命科学中的应用
背景情况:
- 在生命科学,生物医学和植物学中的代谢学工作流程在数据采集和分析中面临着挑战,以获得准确的分类.
- 现有的化学测量方法往往缺乏足够的特征提取,选择,过拟合或不足拟合,限制了对相似植物物种的歧视.
- 在密切相关的植物之间进行区分,例如人参品种 (Panax japonicus和Panax japonicus var. 具有相似的金色化物概况 (主要) 特别困难.
研究的目的:
- 开发和验证一个集成的伪定向代谢学和深度神经网络 (DNN) 建模策略,用于准确的物种差异化.
- 优化伪准代谢学方法,用于全面的人参代谢组分析.
- 评估DNN模型对其他机器学习算法的分类性能.
主要方法:
- 通过完善数据采集,离子对生成,并将多重反应监测 (MRM) 与计划MRM (sMRM) 进行比较,优化了伪定向代谢学方法.
- 采用深度神经网络 (DNN) 模型进行分类,使用综合代谢组数据和特征选择数据集.
- 与随机森林 (RF),支持向量机 (SVM),极端梯度增强 (XGBoost) 和多层感知器 (MLP) 进行了DNN模型性能比较.
主要成果:
- 在23分钟内监测了1980个离子对,实现了全面的人参代谢组分析.
- 该DNN模型展示了优异的分类性能 (准确性,精度,回忆,F1得分,AUC,ROC),优于其他经过测试的机器学习算法.
- DNN模型在自动化特征学习,非线性建模,适应性和概括性方面显示出优势,即使样本体积小.
结论:
- 综合伪定向代谢学和DNN战略为植物代谢学数据分析和分类提供了一种高效可靠的方法.
- 这种方法有效地区分了密切相关的植物物种,即使是具有相似化学特征的植物,如人参品种.
- 已建立的战略对推动植物代谢学研究超越人参具有显著的前景.
