一个机器学习框架,用于将脂质分类到非目标代谢学中,使用质量电荷比和保留时间
Christelle Colin-Leitzinger1, Yonatan Ayalew Mekonnen2, Isis Narvaez-Bandera3
1Department of Cancer Epidemiology, Moffitt Cancer Center, Tampa, FL, USA.
机器学习模型现在可以将代谢物分类为"脂质"或"非脂质",仅使用从液态染色体质谱法 (LC-MS) 数据中获得的质量与电荷比 (m/z) 和保留时间 (RT). 这种方法绕过了复杂的双重质谱 (MS2) 数据的需求,简化了代谢物识别.
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:
- 使用液态染色体质谱法 (LC-MS) 的非向代谢学在识别未知的代谢物方面面临挑战.
- 目前的方法依赖于数据库匹配或复杂的双重质谱 (MS2) 数据分析.
- 现有的机器学习方法通常需要MS2数据来预测代谢物结构.
研究的目的:
- 评估使用LC-MS的质量与电荷比 (m/z) 和保留时间 (RT) 作为代谢物分类的唯一预测指标的有效性.
- 开发一个机器学习框架,使用m/z和RT数据进行独立的代谢物分类.
主要方法:
- 机器学习模型在从小鼠肺腺癌瘤和人类血样本的LC-MS数据上进行训练和验证.
- 根据人类新陈代谢数据库 (HMDB) 的分类学,特征被分类为"脂质"或"非脂质".
- 用准确度,AUC和PR来评估模型性能,并测试了120种预处理器-模型组合.
主要成果:
- 使用m/z和RT建立了强大的代谢物分类框架.
- 基于树的模型在将特征分类为"脂质"或"非脂质"方面表现出卓越的表现.
- 实现了高精度,AUC和PR,在独立数据集中保持一致.
结论:
- 代谢物可以有效地被分类为"脂质"或"非脂质",仅使用从非目标LC-MS数据中获得的m/z和RT.
- 这种方法消除了MS2光谱的必要性,简化了识别过程.
- 该方法有望在各种化合物类别和实验条件下在代谢物分类中得到更广泛的应用.
更多相关视频
09:38Single-throughput Complementary High-resolution Analytical Techniques for Characterizing Complex Natural Organic Matter Mixtures
Published on: January 7, 2019
09:38Dithranol as a Matrix for Matrix Assisted Laser Desorption/Ionization Imaging on a Fourier Transform Ion Cyclotron Resonance Mass Spectrometer
Published on: November 26, 2013
相关概念视频
MALDI-TOF Mass Spectrometry
Mass Spectrometry: Complex Analysis
GC–MS is a powerful hyphenated method commonly used in forensics and environmental...
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...
High-Resolution Mass Spectrometry (HRMS)
Matrix-Assisted Laser Desorption Ionization (MALDI)
Mass Spectrometry: Carboxylic Acid, Ester, and Amide Fragmentation
For example, the...
