“`html
AI and ML в ненаправленной метаболомике и экспозомике:
Метаболомика использует высокопроизводительный подход для измерения разнообразия метаболитов и малых молекул в биологических образцах, предоставляя важные инсайты в человеческое здоровье и заболевания. Одно из применений, ненаправленная метаболомика, позволяет проводить безпристрастный глобальный анализ метаболома, выявляя ключевые метаболиты, которые свидетельствуют о состоянии здоровья. Недавние достижения в области искусственного интеллекта и машинного обучения значительно улучшили рабочие процессы ненаправленной метаболомики, особенно в контексте высокоразрешающей масс-спектрометрии (HRMS) эксосом. Это новое направление выявляет эндогенные метаболиты и экзогенные химические вещества в тканях человека, связывая окружающие воздействия с исходами заболеваний. Применение ИИ и машинного обучения улучшило качество данных, строгость, обнаружение и идентификацию химических веществ, облегчая выявление основных заболеваний и диагностику.
Рабочий процесс ненаправленной метаболомики:
Для анализа биологических матриц, таких как сыворотка, плазма или моча, рабочий процесс ненаправленной 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 образцов, сбор данных, пред- и пост-обработку, анализ данных и идентификацию химических веществ. Метаболиты и химические вещества извлекаются с использованием органических растворителей и анализируются с помощью HILIC или обратнофазной хроматографии для LC или дериватизированные для GC-анализа. HRMS генерирует данные в трех измерениях: отношение массы к заряду, время удерживания и изобилие. Инструменты ИИ и машинного обучения играют ключевую роль в обработке данных, выборе признаков и идентификации химических веществ, улучшая анализ данных метаболомики и их биологическую интерпретацию.
Обработка данных в ненаправленной метаболомике:
Сырые данные метаболомики сложны из-за линейных и нелинейных взаимодействий между метаболитами и проблем с структурой данных масс-спектрометрии. Предварительная обработка имеет важное значение для преобразования 3D-данных из LC-MS в 2D-таблицу выровненных 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.
AI и ML в поиске биомаркеров:
Традиционные одномерные и многомерные модели проводят несколько тестов гипотез для выявления метаболитных признаков, связанных с фенотипами, но нуждаются в помощи при работе с коррелированной структурой данных метаболомики. Методы ИИ и машинного обучения решают 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. ИИ и машинное обучение использовались для выявления заболеваний, таких как неалкогольная жировая болезнь печени, COVID-19, болезнь Альцгеймера и депрессия, демонстрируя их потенциал в метаболомических исследованиях.
Идентификация метаболитов в поиске биомаркеров:
Идентификация метаболитов является важной в поиске биомаркеров и требует аннотации выбранных пиков с использованием баз данных метаболитов и спектральных библиотек, таких как GNPS, Metlin и Human Metabolome Database. Этот процесс включает сопоставление данных о массе-заряде и фрагментации MS/MS для подтверждения метаболитов. Несмотря на наличие баз данных, коэффициенты спектрального сопоставления для специализированных химических веществ все еще должны быть выше. Достижения в области когнитивной метаболомики с использованием 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 критичны для улучшения идентификации и понимания как эндогенных, так и экзогенных химических веществ.
Прогресс в ненаправленном химическом анализе:
Прогрессы в ненаправленном химическом анализе и инструментах ИИ/ML значительно снизили затраты, позволяя масштабные исследования. ИИ/ML помогают в извлечении, анализе и аннотации данных, что критично для поиска биомаркеров. Основной вызов остается в аннотации неизвестных метаболитов, необходимых для биологической интерпретации. Усилия сосредотачиваются на разработке экспериментальных баз данных и моделей ИИ/ML для улучшения идентификации метаболитов. Однако текущие алгоритмы часто упускают химические вещества низкой концентрации, что указывает на необходимость улучшенных классификаторов ИИ/ML. Интеграция биологического подхода с методами, основанными на измерениях, может выявить неизвестные химические вещества, влияющие на здоровье, ускоряя открытия в области экзосом и точного здоровья.
Проверьте статью. Вся заслуга за это исследование принадлежит исследователям этого проекта. Также не забудьте подписаться на наш Twitter и присоединиться к нашей группе LinkedIn. Если вам понравилась наша работа, вам понравится наш новостной бюллетень.
Не забудьте присоединиться к нашему Reddit-сообществу.
Находите предстоящие вебинары по ИИ здесь.
Оригинальная публикация: Leveraging AI and Machine Learning ML for Untargeted Metabolomics and Exposomics: Advances, Challenges, and Future Directions на сайте MarkTechPost.
“`
Hope this helps! Let me know if you need anything else.
