Improving the Data Quality of Untargeted Metabolomics through a Targeted Data-Dependent Acquisition Based on an Inclusion List of Differential and Preidentified Ions
Notice bibliographique
Résumé
Metabolomics based on high-resolution mass spectrometry has become a powerful technique in biomedical research. The development of various analytical tools and online libraries has promoted the identification of biomarkers. However, how to make mass spectrometry collect more data information is an important but underestimated research topic. Herein, we combined full-scan and data-dependent acquisition (DDA) modes to develop a new targeted DDA based on the inclusion list of differential and preidentified ions (dpDDA). In this workflow, the MS 1 datasets for statistical analysis and metabolite preidentification were first obtained using full-scan, and then, the MS/MS datasets for metabolite identification were obtained using targeted DDA of quality control samples based on the inclusion list. Compared with the current methods (DDA, data-independent acquisition, targeted DDA with time-staggered precursor ion list, and iterative exclusion DDA), dpDDA showed better stability, higher characteristic ion coverage, higher differential metabolites’ MS/MS coverage, and higher quality MS/MS spectra. Moreover, the same trend was verified in the analysis of large-scale clinical samples. More surprisingly, dpDDA can distinguish patients with different severities of coronary heart disease (CHD) based on the Canadian Cardiovascular Society angina classification, which we cannot distinguish through conventional metabolomics data collection. Finally, dpDDA was employed to differentiate CHD from healthy control, and targeted metabolomics confirmed that dpDDA could identify a more complete metabolic pathway network. At the same time, four unreported potential CHD biomarkers were identified, and the area under the receiver operating characteristic curve was greater than 0.85. These results showed that dpDDA would expand the discovery of biomarkers based on metabolomics, more comprehensively explore the key metabolites and their association with diseases, and promote the development of precision medicine.
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 | 0,006 |
| Méta-épidémiologie (sens strict) | 0,002 | 0,001 |
| Méta-épidémiologie (sens large) | 0,001 | 0,002 |
| Bibliométrie | 0,003 | 0,002 |
| Études des sciences et des technologies | 0,001 | 0,001 |
| Communication savante | 0,002 | 0,003 |
| Science ouverte | 0,001 | 0,003 |
| Intégrité de la recherche | 0,001 | 0,002 |
| 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 ».