迈向机器学习 在干细胞中半量化脂组学的电喷射电离敏度预测

科学领域:

• 分析化学 分析化学
• 生物化学 生化学
• 数据科学数据科学数据科学

背景情况:

• 质谱学 (MS) 对代谢学和脂质学至关重要,但在多年,多批次研究中面临挑战,原因是电喷离子化 (ESI) 反应的变化.
• 这种变化阻碍了准确的批量对批量比较,在广泛的发现工作和范围有限的有针对性的量化之间产生了分歧.

研究的目的:

• 开发一种机器学习 (ML) 模型,用于预测与干细胞功效相关的脂类的ESI灵敏度.
• 为了在长期干细胞研究中实现跨批次的脂质的半量化,弥合发现和向方法之间的差距.

主要方法:

• 利用脂质化学结构的分子描述符作为ML模型的输入来预测ESI反应.
• 使用来自不同捐赠者的培养干细胞样本验证了该模型,评估了正离子和负离子模式中的性能.

主要成果:

• 机器学习模型实现了中等准确性 (积极模式的全球百分比误差为40%,负模式的全球百分比误差为20%),足以进行半量化.
• 证明了高精度 (16.9%正,7.5%负模式),表明了跨批数据协调的潜力.
• 与以前的文献相比,所选择的分子描述器提高了准确性.

结论:

• 开发的ML模型有效地预测ESI灵敏度,使半定量脂管学能够在具有挑战性的多批次干细胞研究中发挥作用.
• 这种方法提供了一种可行的解决方案,用于在不依赖于不可用的同位素标准的情况下,跨批量估计脂质标记物度.
• 这些发现显示出对促进脂管学数据协调和定量能力的重大前景.