MAMSI:使用多视图机器学习集成多试验液体染色学-质谱代谢学数据
Lukas Kopecky1, Caroline J Sands2, María Gómez-Romero2
1Section of Bioinformatics, Division of Systems Medicine, Department of Metabolism, Digestion and Reproduction, Faculty of Medicine, Imperial College London, London W12 0NN, U.K.
这项研究引入了一个新的工作流程,集成使用多块部分最小平方 (MB-PLS) 模型的多试验代谢学数据. 这种方法可以改善生物标志物发现和数据解释,用于液体染色学-质谱学 (LC-MS) 分析.
科学领域:
- 代谢学 代谢学 代谢学
- 分析化学 分析化学
- 生物信息学是一种生物信息学.
背景情况:
- 非定位代谢学通常使用液态染色体质谱法 (LC-MS).
- 广泛的代谢组覆盖通常需要多个分析试验.
- 目前的方法分别分析测试,阻碍了多测试生物标志物的发现和数据解释.
研究的目的:
- 开发和评估多试验代谢学数据的综合工作流程.
- 通过捕捉试验间的关系,使生物标志物发现和阐明未知的代谢物.
- 改进表型结果预测和数据解释.
主要方法:
- 提出了一种工作流程,整合了多个测试代谢学数据.
- 采用多块部分最小平方 (MB-PLS) 模型和多块变量在投影中的重要性.
- 基于结构性质 (保留时间,质量-电荷比) 的聚类预测因素.
- 评估了使用三个多项测试数据集来预测生物性别,阿尔茨海默病状态和胆红素水平的方法.
主要成果:
- 在分类和回归任务中,MB-PLS模型的表现优于单个试验模型.
- 模拟区块间关系改善了表型结果估计.
- 确定了潜在的交叉测试生物标志物,结果与现有文献一致.
- 获得了对每个数据块对预测结果的贡献的见解.
结论:
- 开发的工作流提供了多试验LC-MS数据的可解释的整合分析.
- 通过建模试验间的关系来促进潜在生物标志物的发现.
- 有潜力使更广泛的代谢学社区受益.
更多相关视频
08:51Author Spotlight: Integrated Multi-Omics Analysis for Unveiling Multicellular Immune Signatures in Clinical Heart Attack Cohorts
Published on: September 20, 2024
11:25Multi-step Preparation Technique to Recover Multiple Metabolite Compound Classes for In-depth and Informative Metabolomic Analysis
Published on: July 11, 2014
相关概念视频
Mass Spectrometry: Complex Analysis
GC–MS is a powerful hyphenated method commonly used in forensics and environmental...
Mass Spectrometry: Overview
Peptide Identification Using Tandem Mass Spectrometry
This technique helps gather information regarding the protein from which the peptide was obtained and to study the peptides’ amino acid sequence. Identifying peptides from a complex mixture is an important component of the growing field of...
