定制的SONAR-MSI:将SONAR-MS数据转换为伪图像,用于基于深度学习的自然产品分析
Zehua Jin1,2,3, Bingjie Zhu2,3, Zhenhao Li4
1Innovation Center of Yangtze River Delta, Zhejiang University, Jiaxing 314100, China.
Analytical chemistry
|September 30, 2025
概括
一个新的SONAR-MSI工作流整合了同步选择性离子采集与伪质谱成像和深度学习用于自然产品分析. 这种方法提高了数据质量,并实现了100%的准确性来分类Ganoderma物种.
科学领域:
- 分析化学 分析化学
- 代谢学 代谢学 代谢学
- 生物信息学是一种生物信息学.
背景情况:
- 液体染色学-质谱学 (LC-MS) 对于复杂的样本分析至关重要.
- 传统的MS数据处理效率低下,并且会丢失信息,特别是对于天然产品 (NP).
研究的目的:
- 开发一种新的工作流程,SONAR-MSI,集成同步选择性离子采集 (SONAR),伪质谱成像 (MSI) 和深度学习 (DL).
- 提高NP分析和质量控制的质量和效率.
主要方法:
- 建立了一个SONAR-MSI工作流,将SONAR采集与MSI和DL结合起来.
- 开发了一个转换协议,将SONAR-MS数据转换为卷积神经网络 (CNN) 的伪图像.
- 与传统MS^E相比,评估了数据减少,MS2质量提升和存储效率.
- 应用了基于SONAR-MSI的CNN模型来分类五种密切相关的Ganoderma物种.
主要成果:
- 索纳显著减少了光谱冗余,提高了MS2质量,同时最大限度地减少了数据存储.
- 基于SONAR-MSI的CNN模型在分类Ganoderma物种方面实现了100%的准确性,超过了特征表模型 (91.4%).
- 索纳-MSI可实现可解读的代谢物像素智能映射,用于可视化和注释.
结论:
- 索纳-MSI是一种强大的,可扩展的方法,用于DL辅助代谢.
- 这种工作流允许高效和信息丰富的NP分析和质量控制.
- 该方法在复杂的样本分析中提供了更好的准确性和可解释性.
