Towards Standardization of Data Normalization Strategies to Improve Urinary Metabolomics Studies by GC×GC-TOFMS
Notice bibliographique
Résumé
Urine is a popular biofluid for metabolomics studies due to its simple, non-invasive collection and its availability in large quantities, permitting frequent sampling, replicate analyses, and sample banking. The biggest disadvantage with using urine is that it exhibits significant variability in concentration and composition within an individual over relatively short periods of time (arising from various external factors and internal processes regulating the body's water and solute content). In treating the data from urinary metabolomics studies, one must account for the natural variability of urine concentrations to avoid erroneous data interpretation. Amongst various proposed approaches to account for broadly varying urine sample concentrations, normalization to creatinine has been widely accepted and is most commonly used. MS total useful signal (MSTUS) is another normalization method that has been recently reported for mass spectrometry (MS)-based metabolomics studies. Herein, we explored total useful peak area (TUPA), a modification of MSTUS that is applicable to GC×GC-TOFMS (and data from other separations platforms), for sample normalization in urinary metabolomics studies. Performance of TUPA was compared to the two most common normalization approaches, creatinine adjustment and Total Peak Area (TPA) normalization. Each normalized dataset was evaluated using Principal Component Analysis (PCA). The results showed that TUPA outperformed alternative normalization methods to overcome urine concentration variability. Results also conclusively demonstrate the risks in normalizing data to creatinine.
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 | 0,040 | 0,041 |
| Méta-épidémiologie (sens strict) | 0,003 | 0,001 |
| Méta-épidémiologie (sens large) | 0,002 | 0,002 |
| Bibliométrie | 0,005 | 0,005 |
| Études des sciences et des technologies | 0,001 | 0,002 |
| Communication savante | 0,003 | 0,003 |
| Science ouverte | 0,003 | 0,004 |
| Intégrité de la recherche | 0,002 | 0,003 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,002 | 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 ».