基于深度学习的分子指纹预测用于代谢物注释.
Hoi Yan Katharine Chau1, Xinran Zhang1, Habtom W Ressom1
1Department of Oncology, Lombardi Comprehensive Cancer Center, Georgetown University Medical Center, Washington, DC 20057, USA.
Metabolites
|February 25, 2025
概括
深度学习模型通过使用MS / MS光谱有效排名潜在化合物,在代谢学中对代谢物注释有希望. 这些方法提供了传统光谱匹配的替代方案,解决了光谱库数据的局限性.
科学领域:
- 计算化学是一种计算化学.
- 生物信息学是一种生物信息学.
- 分析化学是一种分析化学.
背景情况:
- 代谢学研究在很大程度上依赖于液体染色学-质谱学 (LC-MS).
- 代谢物注释是一个重大挑战,原因是有限的公共串联质谱 (MS/MS) 谱图书馆.
- 深度学习通过模拟分子数据和光谱测量之间的复杂关系来克服这些局限性的新方法.
研究的目的:
- 用MS/MS光谱研究基于分子指纹的代谢物识别深度学习方法.
- 通过比较已知和预测的分子指纹来对假定的代谢物识别进行排名.
- 评估深度学习模型的性能与基准数据集的既定方法相比.
主要方法:
- 训练了三个深度学习模型,以将分子指纹与MS/MS光谱相关联.
- 从NIST,MoNA和HMDB数据库处理的MS/MS光谱数据,包括缩放,分类和过.
- 应用特征选择以识别相关的m/z bin 和分子指纹.
- 评估了CASMI 2016,2017和2022年基准数据集的模型性能,用于代谢物识别.
主要成果:
- 功能选择有效地减少了数据冗余,改善了模型训练.
- 深度学习模型在排名代谢物候选物方面实现了与CSI:FingerID可比的性能.
- 经过训练的模型在基于分子指纹和MS / MS光谱的基础上预测和排名代谢物的有效性.
结论:
- 深度学习为增强代谢物注释在代谢学中提供了一种可行和有前途的方法.
- 开发的方法为传统的光谱匹配技术提供了强大的替代方案.
- 这项研究强调了人工智能在解决生物数据分析中的关键瓶方面的潜力.
更多相关视频
11:25Multi-step Preparation Technique to Recover Multiple Metabolite Compound Classes for In-depth and Informative Metabolomic Analysis
Published on: July 11, 2014
32.8K
09:38Single-throughput Complementary High-resolution Analytical Techniques for Characterizing Complex Natural Organic Matter Mixtures
Published on: January 7, 2019
8.5K
