DIATAGeR: Triacylglycerol annotation of data-independent acquisition based lipidomics
Notice bibliographique
Résumé
BACKGROUND: Triacylglycerols (TGs) are the most abundant lipids in the human body and the primary source of energy storage. TGs are comprised of three fatty acyls with various lengths and double bond composition, complicating structural annotation when performing lipidomics by LCMS. Data-independent acquisition (DIA) based lipidomics enables a continuous and unbiased acquisition of all TGs, creating the potential for more comprehensive TG analysis. However, TG identification in DIA lipidomics data is challenging due to the difficulty analyzing multiplexed tandem mass spectra (MS2). RESULTS: In this study, we present DIATAGeR, an R package aimed to improve and automate TG identifications to the molecular species level in DIA-based lipidomics. With DIATAGeR, TGs are identified using a TG-centric approach, where each TG in the reference database is considered as an analysis target, searched in DIA spectra, and scored using a logistic regression machine learning algorithm. Additionally, DIATAGeR uses a false discovery rate (FDR) correction calculated by a target-decoy approach to improve the confidence of TG identification and limit false positives due to interference from unrelated ions. The performance of DIATAGeR was validated in a lipidomic study of liver and plasma samples from mice with metabolic dysfunction-associated steatohepatitis (MASH) and healthy controls. All 9 TG standards were annotated at an FDR <0.1 in both datasets. When benchmarked against MS-DIAL, TGs identified by DIATAGeR contained 18 % and 12 % more even-carbon fatty acyls in liver and plasma datasets, respectively. SIGNIFICANCE: DIATAGeR is a valuable tool for streamlining complex TG annotation in DIA-lipidomics data. It supports vendor-neutral MS spectra data formats and offers a customizable reference database. By combining TG-centric and target-decoy approaches, DIATAGeR showed improvements in TG identification by addressing primary challenges associated with multiplexed MS2 spectra. DIATAGeR is freely available at https://github.com/Velenosi-Lab/DIATAGeR.
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 | 0,002 | 0,003 |
| Méta-épidémiologie (sens strict) | 0,003 | 0,001 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,002 | 0,001 |
| Études des sciences et des technologies | 0,001 | 0,001 |
| Communication savante | 0,002 | 0,002 |
| Science ouverte | 0,002 | 0,002 |
| Intégrité de la recherche | 0,001 | 0,002 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,019 | 0,014 |
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 ».