LC-HRMSおよび1H NMRメタボロミクスデータ融合アプローチ枯れの時間と酵母株に基づくアマローネワインの分類のためのアプローチ

2つの非標的化されていないメタボロミクスアプローチ（LC-HRMSと1H NMR）を組み合わせて、ブドウの枯れの時間と酵母株に基づいてアマロンワインを分類しました。この研究では、マルチオミクスデータ統合アプローチを採用し、監視されていないデータ探査（MCIA）と監視統計分析（SPLS-DA）を組み合わせました。結果は、マルチオミクスの擬似値空間がデータセット間の限られた相関（RVスコア= 16.4％）を強調し、アッセイの相補性を示唆していることを明らかにしました。さらに、SPLS-DAモデルは、枯れの時間と酵母株の両方に応じてワインサンプルを正しく分類し、個々の技術から得られたものに関してワインメタボロームのはるかに広い特性を提供します。枯れプロセス全体で、アミノ酸、単糖、およびポリフェノール化合物の蓄積で有意な変動が観察され、サンプル分類の誤差率が低くなりました（7.52％）。結論として、この戦略は、大規模なOMICSデータセットを統合し、その特性に基づいてワインサンプルを区別できる重要な代謝物を特定する高い能力を実証しました。

Two untargeted metabolomics approaches (LC-HRMS and 1H NMR) were combined to classify Amarone wines based on grape withering time and yeast strain. The study employed a multi-omics data integration approach, combining unsupervised data exploration (MCIA) and supervised statistical analysis (sPLS-DA). The results revealed that the multi-omics pseudo-eigenvalue space highlighted a limited correlation between the datasets (RV-score = 16.4%), suggesting the complementarity of the assays. Furthermore, the sPLS-DA models correctly classified wine samples according to both withering time and yeast strains, providing a much broader characterization of wine metabolome with respect to what was obtained from the individual techniques. Significant variations were notably observed in the accumulation of amino acids, monosaccharides, and polyphenolic compounds throughout the withering process, with a lower error rate in sample classification (7.52%). In conclusion, this strategy demonstrated a high capability to integrate large omics datasets and identify key metabolites able to discriminate wine samples based on their characteristics.