多维质谱分析和机器学习:丰富的代谢组学的秘诀

我们开发和演示一个新的代谢组学研究工程微生物合成生物学的工作流应用程序。我们的工作流结合最先进的分析仪器产生信息丰富的数据与一种新的机器学习(ML)的算法适合处理它。

在我们的角色太平洋西北国家实验室(用电)科学家,我们领导这多机构研究,发表在自然通讯。

解决复杂样品的挑战

大型网络产生的代谢产物是小分子的细胞过程和生命系统的生化反应。代谢物类和结构的多样性构成了重要的分析挑战复杂样品的检测和注释。

分析仪器能够分析数以百计的样本更快和更准确的方法是至关重要的各种代谢组学的应用,包括开发微生物能够产生理想的燃料和化学品以可持续的方式。

多维测量使用液相色谱法(LC),离子迁移和data-independent收购质谱分析(MS)改善代谢物的检测连接分离在一个分析平台。潜在的代谢组学就得以证实,但是这种多维信息丰富的数据是复杂的,不能加工与传统的工具。因此,算法和软件工具能够对其进行处理提取准确的代谢物信息是必要的。

丰富的数据需要软件升级匹配

我们优化相结合的精密仪器的快速分析和生成的多维数据,丰富的信息,可以用来梳理复杂的代谢物。

计算方法,毕尔巴鄂博士创建了一个新的算法,称为PeakDecoder,使多维数据的解释,最终确定单个分子在复杂的混合物。算法学习区分真正的co-elution和co-mobility直接从学习样本的原始数据和计算错误率代谢物鉴定。训练ML模式,它提出了一个新颖的方法来生成训练的例子,类似于target-decoy策略常用于蛋白质组学。一旦训练模型,它可用于分数感兴趣的代谢物从图书馆有一个关联的错误发现率。与现有的方法相反,它还可以用于图书馆的小尺寸。

论文的主要成果是:

• 一个优化、快速分析方法对于使用LC的代谢物,离子迁移率和女士
• 新算法使女士多维数据的处理和评估代谢组学的错误率

大规模的和准确的代谢组学分析

样品分析的方法以三分之一的时间以前的传统方法通过使用信用证的条件进行了优化。PeakDecoder使得精确分析大规模研究多维测量女士。

我们使用工作流来研究各种微生物菌株的代谢产物由敏捷BioFoundry各种bioproducts,如聚合物前体和柴油燃料。我们可以解释2683年代谢物特征在116个微生物样品。

“这代谢组学能力有深远的好处,除了合成生物学,在环境和生物研究。”- - -克里斯汀Burnum-Johnson博士生物化学家和敏捷BioFoundry测试任务。

然而,应该注意的是,目前的算法不是完全自动化由于软件依赖和需要一个代谢物库获得与兼容的分析推理的条件。

授权PeakDecoder与人工智能

我们正在下一个版本的算法利用先进的人工智能(AI)方法用于其它领域,如计算机视觉。PeakDecoder的一个用户友好的和完全自动化的版本将支持其他类型的分子分析工作流,包括蛋白质组学和lipidomics。性能将会更多类型的实验数据的评估和AI-predicted多维分子库。新版本预计将提供multiomics研究的重大进展。

“先进的基于ai软件有可能取代传统的工具,女士需要大量人工干预”博士Aivett毕尔巴鄂,计算科学家。

参考:毕尔巴鄂,穆尼奥斯N,金正日J, et al . PeakDecoder使机器上优于代谢物注释多维质谱测量和准确的分析。Nat Commun。2023;14 (1):2461。doi:10.1038 / s41467 - 023 - 37031 - 9