STRIKER:一个光谱元数据修复工具,用于扩大光谱库的全面性

科学领域:

• 代谢学 代谢学 代谢学
• 生物信息学是一种生物信息学.
• 计算化学的计算化学

背景情况:

• 公共光谱图书馆对于代谢物注释和机器学习在非目标代谢学中至关重要.
• 现有库中存在元数据错误,导致数据丢失和精度降低.
• 当前的工具经常丢弃带有元数据问题的光谱,而不是纠正它们.

研究的目的:

• 引入STRIKER,这是一个新的工具,用于修复光谱库中的引证元数据缺陷.
• 提高公共光谱图书馆的质量和一致性,以改善代谢物识别.
• 为了保存现有清洁工具丢失的光谱数据和代谢物信息.

主要方法:

• 开发了STRIKER,这是一款使用基于距离的度量和深度学习模型 (MLP) 来进行 adduct 预测和纠正的修复工具.
• 采用基于相似性的方法来识别和纠正引证相关的错误,并标准化格式化.
• 集成的功能可以构建HMDB光谱库并提取定制的子库.

主要成果:

• 在正确的引证匹配中,STRIKER实现了95-99%的准确性,在引证校正中达到98%的准确性.
• 该工具显著减少了缺失或无法使用的光谱和代谢物的数量.
• 提高代谢物识别的准确性,提高机器学习的数据质量.

结论:

• STRIKER有效地解决了元数据缺陷,为非目标代谢学保存了有价值的光谱数据.
• 该工具提高了机器学习应用的代谢物识别准确性和数据质量.
• STRIKER的用户友好的界面促进了更广泛的可访问性和对光谱库增强的贡献.