Применение методов машинного обучения в метаболомике на основе масс-спектрометрии
Machine Learning Applications for Mass Spectrometry-Based Metabolomics
2020-06-13
SCID: 54.1/wt2xezvn
Discuss with AI
обнаружение биомаркеровмашинное обучениемасс-спектрометрическая метаболомикаидентификация метаболических путейобучение с учителем
Figures from the paper
Abstract (AI)
Метаболом организма зависит от факторов окружающей среды и внутриклеточной регуляции и предоставляет информацию о физиологическом состоянии. Метаболомика помогает понять прогрессирование заболеваний в клинических условиях или оценить сверхпродукцию метаболитов для задач метаболической инженерии. Наиболее популярной аналитической платформой метаболомики является масс-спектрометрия (МС). Однако анализ данных метаболома, полученных методом МС, осложняется нелинейным взаимодействием метаболитов и сложной структурой самих данных. Методы машинного обучения приобрели широкую популярность для статистического анализа благодаря присущему им нелинейному представлению данных и способности быстро обрабатывать большие и разнородные массивы данных. В этом обзоре рассматриваются последние достижения в применении машинного обучения для обработки МС-спектров и показано, как машинное обучение позволяет получать новые биологические знания. В частности, контролируемое машинное обучение обладает значительным потенциалом в исследованиях метаболомики благодаря возможности выполнять количественные прогнозы. Рассматриваются широко используемые инструменты, такие как случайный лес, метод опорных векторов, искусственные нейронные сети и генетические алгоритмы. На этапах обработки данных методы контролируемого машинного обучения способствуют выделению пиков, нормализации и импутации пропущенных данных. При анализе, основанном на знаниях, машинное обучение используется для выявления биомаркеров, классификации и регрессии, идентификации биохимических путей и определения потоков углерода. Особое значение имеет объединение данных различных омиксных подходов для выявления вклада разных уровней регуляции. Обзор последних публикаций также показывает, что качество данных определяет качество анализа, одновременно усложняя выбор подходящей модели для имеющихся данных. Методы машинного обучения, применяемые в метаболомике на основе МС, упрощают анализ данных и могут поддерживать принятие клинических решений, направлять метаболическую инженерию и стимулировать фундаментальные биологические открытия.
Key Findings
1
Качество данных существенно определяет качество анализа, а выбор подходящей модели остается важной проблемой.
2
Интеграция метаболомики с другими омиксными данными помогает выявлять вклад различных уровней регуляции.
3
Машинное обучение учитывает нелинейные взаимодействия и сложную структуру данных масс-спектрометрической метаболомики.
4
Машинное обучение упрощает анализ масс-спектрометрической метаболомики, поддерживает клинические решения, направляет метаболическую инженерию и способствует получению биологических открытий.
5
Машинное обучение позволяет идентифицировать биохимические пути и определять потоки углерода по данным масс-спектрометрической метаболомики.
6
Методы обучения с учителем обеспечивают количественные предсказания при выделении пиков, нормализации, восстановлении пропущенных данных, поиске биомаркеров, классификации и регрессии.
Research Object
данные и спектры масс-спектрометрической метаболомики
Research Subject
обработка, анализ и интерпретация сложных метаболомических данных с применением машинного обучения, включая прогнозирование, предварительную обработку, выявление биомаркеров, классификацию, идентификацию биохимических путей и определение углеродного потока
Publication Details
Publication Date
2020-06-13
Journal
Publisher
ISSN
Open access PDF
Access Type
Author Information
Download PDF
Subscribe to digest
Источники этой статьи в scid.ai4
Совместное использование и коллективная курирование данных масс-спектрометрии с помощью Global Natural Products Social Molecular Networking2016
SIRIUS 4: быстрый инструмент для преобразования тандемных масс-спектров в информацию о структуре метаболитов2019
Метаболомика на основе масс-спектрометрии2006
Методы обработки метаболомных данных UHPLC-MS без целевой направленности: сравнительное исследование нормализации, заполнения пропусков, преобразования и масштабирования2016