«`html
AI and ML in Untargeted Metabolomics and Exposomics
Метаболомика использует высокопроизводительный подход для измерения различных метаболитов и малых молекул в биологических образцах, предоставляя важные сведения о здоровье человека и заболеваниях. Применение метода неадресной метаболомики позволяет провести несмещенный глобальный анализ метаболома, выявляя ключевые метаболиты, связанные с заболеваниями. Недавние достижения в области искусственного интеллекта и машинного обучения значительно улучшили рабочие процессы неадресной метаболомики, особенно в контексте высокоразрешающей масс-спектрометрии (HRMS) экзосом. Это новое направление позволяет обнаруживать эндогенные метаболиты и экзогенные химические вещества в тканях человека, связывая экологические воздействия с результатами заболеваний. Применение методов искусственного интеллекта и машинного обучения улучшило качество данных, строгость, обнаружение и идентификацию химических соединений, облегчая выявление основных заболеваний и диагностику.
Применение методов неадресной метаболомики
Метаболизм, процесс образования важных метаболитов в организме, включает катаболизм (распад молекул для получения энергии) и анаболизм (синтез соединений, необходимых клеткам). Методы метаболомики фиксируют эндогенные метаболиты и сигнальные молекулы, участвующие в экспрессии генов, функции белков и активности ферментов. Адресная метаболомика измеряет определенные метаболиты, а неадресная метаболомика предоставляет более широкий, полуколичественный анализ тысяч малых молекул. Этот комплексный подход, называемый экзопсомикой, включает экологические воздействия, диету, образ жизни и психосоциальные факторы, раскрывая их влияние на здоровье. Несмотря на огромное количество неизвестных факторов экспозома человека, методы искусственного интеллекта и машинного обучения продвигают обнаружение и анализ этих сложных наборов данных, улучшая понимание химического воздействия и его влияния на здоровье человека.
Процесс неадресной метаболомики
Для анализа биологических матриц, таких как сыворотка, плазма или моча, процесс неадресной метаболомики обычно включает разделение сложных смесей с использованием колоночной хроматографии LC или GC, за которым следует обнаружение и измерение с использованием HRMS. Процесс включает подготовку образца, сбор данных, предварительную и последующую обработку, анализ данных и идентификацию химических соединений. Метаболиты и химические вещества извлекаются с использованием органических растворителей и анализируются с помощью HILIC или обратно-фазовой хроматографии для LC или дериватизированные для GC анализа. HRMS генерирует данные в трех измерениях: масса-заряд, время удержания и обилие. Инструменты искусственного интеллекта и машинного обучения играют ключевую роль в обработке данных, выборе признаков и идентификации химических соединений, улучшая анализ данных метаболомики и их биологическую интерпретацию.
Обработка данных в неадресной метаболомике
Сырые данные метаболомики сложны из-за линейных и нелинейных взаимодействий между метаболитами и сложной структуры данных масс-спектрометрии. Предварительная обработка является ключевой для преобразования трехмерных данных из LC-MS в выровненную таблицу пиков, необходимую для последующего анализа. Алгоритмы, такие как XCMS, MZmine и MS-Dial, используются для предварительной обработки, но только некоторые методы универсально приняты. Недавние разработки включают меры контроля качества и новые алгоритмы выбора пиков, такие как CPC и Finnee, которые улучшают выбор пиков. Инструменты машинного обучения, такие как WiPP, MetaClean, Peakonly, NeatMS, NPFimg и EVA, обещают улучшить точность и надежность обработки данных.
Искусственный интеллект и машинное обучение в поиске биомаркеров
Традиционные однофакторные и многофакторные модели проводят множественные тесты гипотез для выявления метаболитных признаков, связанных с фенотипами, но нуждаются в помощи при работе с коррелированной структурой данных метаболомики. Методы искусственного интеллекта и машинного обучения устраняют эти ограничения, строя и тестируя модели непосредственно на данных, выявляя взаимосвязи между фенотипами, воздействиями и заболеваниями. Инструменты, такие как LASSO, PCA, HCA, SOMs, PLS-DA, RF, а также новые методы, такие как ANNs и DL, успешно выявляют значимые биомаркеры и метаболитные сигнатуры. Искусственный интеллект и машинное обучение применялись для выявления заболеваний, таких как неалкогольная жировая болезнь печени, COVID-19, болезнь Альцгеймера и депрессия, демонстрируя свой потенциал в метаболомических исследованиях.
Идентификация метаболитов в поиске биомаркеров
Идентификация метаболитов является важной в поиске биомаркеров, требующей аннотации выбранных пиков с использованием баз данных метаболитов и спектральных библиотек, таких как GNPS, Metlin и Human Metabolome Database. Этот процесс включает сопоставление данных m/z и фрагментации MS/MS для подтверждения метаболитов. Несмотря на наличие баз данных, уровень сопоставления спектров для специализированных химических веществ все еще должен быть выше. Достижения в области когнитивной метаболомики с использованием методов машинного обучения и обработки естественного языка (NLP), а также инструменты in silico, такие как CSI: FingerID и CFM-ID, улучшают точность идентификации. Расширение спектральных библиотек и разработка новых инструментов аннотации являются важными для более точной идентификации и понимания как эндогенных, так и экзогенных химических веществ.
Достижения в неадресном химическом анализе
Достижения в неадресном химическом анализе и инструментах искусственного интеллекта и машинного обучения значительно снизили издержки, позволяя проводить масштабные исследования. Искусственный интеллект и машинное обучение помогают извлекать, майнить и аннотировать данные, что является важным в поиске биомаркеров. Основной вызов остается в аннотации неизвестных метаболитов, важных для биологической интерпретации. Усилия сосредоточены на разработке экспериментальных баз данных и моделей искусственного интеллекта и машинного обучения для улучшения идентификации метаболитов. Однако текущие алгоритмы часто упускают химические вещества низкой концентрации, что указывает на необходимость улучшения классификаторов машинного обучения. Интеграция биологического подхода со методами измерения может раскрыть неизвестные химические вещества, влияющие на здоровье, способствуя открытиям в области экзосом и точной медицины.
Проверьте статью. Вся заслуга за это исследование принадлежит исследователям этого проекта. Также подпишитесь на нас в Twitter и присоединяйтесь к нашей группе в LinkedIn. Если вам нравится наша работа, вам понравится наш рассылка.
Не забудьте присоединиться к нашему подпишитесь на наш ML SubReddit
Найдите предстоящие вебинары по ИИ здесь
Оригинал статьи: Leveraging AI and Machine Learning ML for Untargeted Metabolomics and Exposomics: Advances, Challenges, and Future Directions