<p><span>[KEYNOTE] Computational Tools for the Identification of Unknowns (Video) </span></p>
Pourquoi ce travail est dans la base
Une base qui oublie comment elle a trouvé un travail ne peut pas être vérifiée. Voici les voies qui ont admis celui-ci.
Notice bibliographique
Résumé
In untargeted MS studies involving metabolomics the proportion of unknown or unidentifiable compounds (i.e. features) detected can often be >90%. Given that the proper identification of a true unknown can take many months or years of work, it is little wonder that few investigators are willing to undertake the task of rigorously identifying these unknowns. While experimental techniques such as suspect screening can lead to the occasional “lucky” hit, a more rapid and robust approach is needed for unknown identification. In this presentation I will introduce the concept of in silico metabolomics. This is a computational approach to unknown identification that combines the extensive knowledge of known compounds with the existing knowledge of how compounds are chemically or biologically transformed. In silico metabolomics fundamentally requires a large collection of known structures. Over the past 10 years we have created a number of compound databases that catalogue the known compounds, including human metabolites (HMDB), food constituents (FooDB), drugs (DrugBank), plant products (PhytoBank) and contaminants (ContaminantDB). We have also developed a software package called BioTransformer, that uses expert-knowledge combined with machine learning to accurately predict the biological and chemical transformations that known compounds may undergo in humans and in the environment. This software has been used to create a database called BioTranformerDB consisting of several million “biologically feasible” structures. By exploiting several in-house tools for accurate MS/MS and NMR spectral prediction we have been able to calculate the MS/MS and NMR spectra for all of the compounds in BioTransformerDB. Using these newly developed software tools and resources for in silico metabolomics, I will show how unknown compounds may be identified from untargeted MS studies. Video from the Keynote Speaker Dr. David S. Wishart can be found: https://www.youtube.com/watch?v=CAU_cWPtNHQ&feature=youtu.be
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.
Prédiction distillée sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Apprise à partir de 10 348 étiquettes directes de Codex et de 10 348 étiquettes directes de Gemma. Le mode candidate est l'union des têtes enseignantes seuillées; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont ni des étiquettes humaines ni des étiquettes directes de modèles de pointe.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,001 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,001 |
| Études des sciences et des technologies | 0,001 | 0,000 |
| Communication savante | 0,001 | 0,001 |
| Science ouverte | 0,002 | 0,001 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 0,001 |
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 découle