HGAlign:通过异质图形对齐对代谢学进行生物保存批量校正和分类

科学领域:

• 计算生物学 计算生物学
• 分析化学 分析化学
• 生物技术是生物技术.

背景情况:

• 使用矩阵辅助激光溶解/电离质谱法 (MALDI-MS) 的大规模代谢学对于生物分析至关重要.
• 在MALDI-MS实验中,由加工和仪器变化引起的批量效应会模糊生物信号并降低可重现性.
• 目前的批量校正方法往往过于简单化,或者有可能删除重要的生物信息.

研究的目的:

• 开发一种可靠的方法来纠正大规模MALDI-MS数据中的批量效应.
• 为了在批量校正过程中保留生物相关信息,例如疾病特异性代谢差异.
• 提高代谢学下游分析的准确性和通用性.

主要方法:

• 介绍HGAlign (异质图对齐模型),一个利用异质图卷积网络的神经网络.
• 学习样品和代谢特征之间的关系,以实现有效的批次校正.
• 适用于CyTOF公共数据集和临床MALDI-MS从全身性红斑狼 (SLE) 患者的血清数据.

主要成果:

• 在MALDI-MS数据中,HGAlign显著减少了批次间差异.
• 该模型保持或提高疾病预测 (例如,SLE) 的分类准确性.
• HGAlign实现了最先进的性能,通过最低的最小分子距离 (MMD) 值和改进的分类指标来证明,同时避免过度校正.

结论:

• 在高吞吐量代谢学中,HGAlign为平衡批量效应去除和生物信号保存提供了一个原则框架.
• 不同质的图表表示学习可以提高批次校正和疾病分类的性能.
• 在代谢学研究中,HGAlign显示出大规模临床应用的巨大潜力.