高解像度LC-MSメタボロミクスデータを使用したハイブリッド機能の検出と情報蓄積

特徴の検出は、液体クロマトグラフィマス分光法（LC-MS）メタボロミクスデータの前処理における重要なステップです。現在、主要なアプローチは、手元のデータだけに基づいてノイズフィルターとピーク形状モデルを使用して機能を検出することです。既知の代謝産物と履歴データのデータベースには、特に低濃度の代謝物の場合、特徴検出の感度を高めるのに役立つ情報が含まれています。ただし、ターゲットを絞った機能検出でそのような情報を使用すると、LC-MSデータのノイズが高いため、多数の誤検知を引き起こす可能性があります。液体クロマトグラフ - フーリエ変換質量分析（LC-FTMS）などの高解像度質量分析では、ピークの既知の特徴との高度マッチングが実現可能です。ここでは、2つの目的に役立つ計算アプローチについて説明します。最初に、ターゲットとターゲットのピーク検出の両方のハイブリッド手順を使用して、機能検出感度を高めます。新しいアルゴリズムは、ノンパラメトリックローカルピーク検出とフィルタリングにより、偽陽性の可能性を減らすように設計されています。第二に、多数のサンプルに対する代謝産物の濃度変動に関する情報を蓄積することができます。これは、将来の研究で珍しい濃度のまれな特徴や特徴を見つけるのに役立ちます。情報は、アイデンティティが見つかる前であっても、実際のデータで一貫して見つかった機能に蓄積することができます。概念実証研究でアプローチの価値を示します。このメソッドは、http://www.sph.emory.edu/aplcms/のRパッケージAPLCMSの一部として実装されています。

Feature detection is a critical step in the preprocessing of liquid chromatography-mass spectrometry (LC-MS) metabolomics data. Currently, the predominant approach is to detect features using noise filters and peak shape models based on the data at hand alone. Databases of known metabolites and historical data contain information that could help boost the sensitivity of feature detection, especially for low-concentration metabolites. However, utilizing such information in targeted feature detection may cause large number of false positives because of the high levels of noise in LC-MS data. With high-resolution mass spectrometry such as liquid chromatograph-Fourier transform mass spectrometry (LC-FTMS), high-confidence matching of peaks to known features is feasible. Here we describe a computational approach that serves two purposes. First it boosts feature detection sensitivity by using a hybrid procedure of both untargeted and targeted peak detection. New algorithms are designed to reduce the chance of false-positives by nonparametric local peak detection and filtering. Second, it can accumulate information on the concentration variation of metabolites over large number of samples, which can help find rare features and/or features with uncommon concentration in future studies. Information can be accumulated on features that are consistently found in real data even before their identities are found. We demonstrate the value of the approach in a proof-of-concept study. The method is implemented as part of the R package apLCMS at http://www.sph.emory.edu/apLCMS/ .