PTR-TOF-MSのデータ正規化方法のベンチマーク研究呼吸メタボロミクス

ボラティロミクスは、医療診断または治療的モニタリングの目的のために、呼吸した呼吸中の揮発性有機化合物の分析に特化したメタボロミクスの枝です。プロトン転移反応（PTR）MSなどのリアルタイム質量分析（MS）テクノロジーが一般的に使用されており、データの正常化は、バッチの効果と時間の経過に伴う感度の喪失は、非生物学的ソースから不要な変動を廃棄するための重要なステップです。観察。リアルタイムの呼吸分析の正規化方法が不十分に調査されているため、既知のメタボロミックデータの正規化方法をベンチマークし、PTR-MSデータ分析に適用することを目指しました。救急部門または集中治療室の患者のCOVID-19診断のための臨床試験の2つのデータセットで、7つの正規化方法、5つの統計的に基づいて複数の標準代謝産物を使用して2つの正規化方法を比較しました。特徴選択のさまざまな手段を評価して、標準的な代謝産物を選択するだけでなく、環境空気の複数の繰り返し測定値を使用して正規化方法を訓練しました。正規化ツールが時間依存のドリフトを修正できることを示します。両方のコホートに最適な修正を提供した方法は、複数の内部標準の最適な選択を使用した確率的商の正規化と正規化でした。また、正規化により、機械学習モデルの診断パフォーマンスが向上し、COVID-19の診断のための受信者動作特性（ROC）曲線の下での感度、特異性、面積が大幅に向上しました。私たちの結果は、PTR-MSデータの処理中に適切な正規化ステップを追加することの重要性を強調しています。これにより、統計モデルの予測性能の大幅な改善が可能になります。臨床試験：VOC-Covid-Diag（Eudract 2020-A02682-37）;記録試験（Eudract 2020-000296-21）。

Volatilomics is the branch of metabolomics dedicated to the analysis of volatile organic compounds in exhaled breath for medical diagnostic or therapeutic monitoring purposes. Real-time mass spectrometry (MS) technologies such as proton transfer reaction (PTR) MS are commonly used, and data normalisation is an important step to discard unwanted variation from non-biological sources, as batch effects and loss of sensitivity over time may be observed. As normalisation methods for real-time breath analysis have been poorly investigated, we aimed to benchmark known metabolomic data normalisation methods and apply them to PTR-MS data analysis. We compared seven normalisation methods, five statistically based and two using multiple standard metabolites, on two datasets from clinical trials for COVID-19 diagnosis in patients from the emergency department or intensive care unit. We evaluated different means of feature selection to select the standard metabolites, as well as the use of multiple repeat measurements of ambient air to train the normalisation methods. We show that the normalisation tools can correct for time-dependent drift. The methods that provided the best corrections for both cohorts were probabilistic quotient normalisation and normalisation using optimal selection of multiple internal standards. Normalisation also improved the diagnostic performance of the machine learning models, significantly increasing sensitivity, specificity and area under the receiver operating characteristic (ROC) curve for the diagnosis of COVID-19. Our results highlight the importance of adding an appropriate normalisation step during the processing of PTR-MS data, which allows significant improvements in the predictive performance of statistical models.Clinical trials: VOC-COVID-Diag (EudraCT 2020-A02682-37); RECORDS trial (EudraCT 2020-000296-21).