Post-acquisition filtering of salt cluster artefacts for LC-MS based human metabolomic studies
Notice bibliographique
Résumé
Liquid chromatography-high resolution mass spectrometry (LC-MS) has emerged as one of the most widely used platforms for untargeted metabolomics due to its unparalleled sensitivity and metabolite coverage. Despite its prevalence of use, the proportion of true metabolites identified in a given experiment compared to background contaminants and ionization-generated artefacts remains poorly understood. Salt clusters are well documented artefacts of electrospray ionization MS, recognized by their characteristically high mass defects (for this work simply generalized as the decimal numbers after the nominal mass). Exploiting this property, we developed a method to identify and remove salt clusters from LC-MS-based human metabolomics data using mass defect filtering. By comparing the complete set of endogenous metabolites in the human metabolome database to actual plasma, urine and stool samples, we demonstrate that up to 28.5 % of detected features are likely salt clusters. These clusters occur irrespective of ionization mode, column type, sweep gas and sample type, but can be easily removed post-acquisition using a set of R functions presented here. Our mass defect filter removes unwanted noise from LC-MS metabolomics datasets, while retaining true metabolites, and requires only a list of m/z and retention time values. Reducing the number of features prior to statistical analyses will result in more accurate multivariate modeling and differential feature selection, as well as decreased reporting of unknowns that often constitute the largest proportion of human metabolomics data.
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Comment cette classification a été obtenuedéplier
Prédiction machine sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,005 | 0,011 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,002 | 0,002 |
| Études des sciences et des technologies | 0,001 | 0,001 |
| Communication savante | 0,001 | 0,001 |
| Science ouverte | 0,001 | 0,001 |
| Intégrité de la recherche | 0,001 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,003 | 0,002 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule source (Gemma direct ou Codex distillé), pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».