Automatic Identification of Potential Cellular Metabolites for Untargeted NMR Metabolomics
Notice bibliographique
Résumé
An organism's metabolic profile provides vital information pertaining to its physiology or pathology. To monitor these biochemical changes, Nuclear Magnetic Resonance (NMR) spectroscopy has found success in non-invasively observing metabolite changes within intact samples in an untargeted manner. However, biological samples are chemically complex, comprised of many different constituents (amino acids, carbohydrates, and lipids) at varying concentrations depending on physiological and pathological conditions. Due to the narrow spectral window of proton NMR, compound resonance frequencies can often overlap, making the identification and monitoring of metabolites difficult and time consuming, particularly when dealing with large numbers of samples. Here, we introduce a Python program (ROIAL-NMR) to systematically identify potential metabolites from defined proton NMR spectral regions-of-interest (ROIs), which are identified from complex biological samples (i.e., human serum, saliva, sweat, urine, CSF, and tissues) using the Human Metabolome Database (HMDB) as a reference platform. Briefly, for disease-versus-control studies, the program considers disease types and utilizes study-defined ROIs together with their differing intensity levels, according to sample types, in differentiating disease from control to propose potential metabolites represented by these ROIs in an output table. In this report, we illustrate the utility of the program with one of our recent studies, where we measured proton NMR spectra of serum samples taken from lung cancer (LC) patients, with and without Alzheimer's disease and related dementia (ADRD). The program successfully identified 88 metabolites, with 66 differentiating LC from control patients, and 80 distinguishing LC patients with ADRD from those without ADRD to provide important information regarding pathophysiology in complex biological samples.
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 | 0,001 | 0,002 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,002 | 0,001 |
| Études des sciences et des technologies | 0,001 | 0,000 |
| 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) | 0,005 | 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 ».