Nội dung được dịch bởi AI, chỉ mang tính chất tham khảo
Xác định chất chuyển hóa tự động từ phổ 1H NMR của dịch sinh học
Tóm tắt
Việc xác định chất chuyển hóa trong các mẫu sinh học bằng phổ cộng hưởng từ hạt nhân (NMR) là một nhiệm vụ khó khăn do độ phức tạp của các ma trận sinh học. Bài báo này giới thiệu một sơ đồ tính toán tự động mới cho việc xác định các chất chuyển hóa trong phổ 1D 1H NMR dựa trên Cơ sở Dữ liệu Chất chuyển hóa Con người. Sơ đồ phương pháp bao gồm các bước áp dụng tuần tự của tiền xử lý, giảm dữ liệu, sàng lọc chất chuyển hóa và lựa chọn sự kết hợp. Sơ đồ được đề xuất đã được thử nghiệm trên phổ 1D 1H NMR của: (a) một hỗn hợp axit amin, (b) một mẫu huyết thanh được pha trộn với hỗn hợp axit amin, (c) 20 mẫu huyết thanh, (d) 20 mẫu dịch ối của người, (e) 160 mẫu huyết thanh từ cơ sở dữ liệu công khai. Sơ đồ phương pháp đã được so sánh với các công cụ phần mềm được sử dụng rộng rãi, cho thấy hiệu suất tốt về việc xác định chính xác các chất chuyển hóa. Sơ đồ mạnh mẽ này đạt được khả năng xác định tự động các đỉnh cộng hưởng trong phổ 1H-NMR với độ chính xác cao và ít can thiệp của con người với nhiều ứng dụng trong phân tích chuyển hóa.
Từ khóa
#chất chuyển hóa #phổ NMR #xác định tự động #phân tích chuyển hóa #cơ sở dữ liệu chất chuyển hóaTài liệu tham khảo
Anderson, P. E., Mahle, D. A., Doom, T. E., Reo, N. V., DelRaso, N. J., & Raymer, M. L. (2010). Dynamic adaptive binning: an improved quantification technique for NMR spectroscopic data. Metabolomics, 7(2), 179–190. doi:10.1007/s11306-010-0242-7.
Anderson, P. E., Reo, N. V., DelRaso, N. J., Doom, T. E., & Raymer, M. L. (2008). Gaussian binning: A new kernel-based method for processing NMR spectroscopic data for metabolomics. Metabolomics, 4(3), 261–272. doi:10.1007/s11306-008-0117-3.
Chignola, F., Mari, S., Stevens, T. J., Fogh, R. H., Mannella, V., Boucher, W., & Musco, G. (2011). The CCPN metabolomics Project: A fast protocol for metabolite identification by 2D-NMR. Bioinformatics (Oxford, England), 27(6), 885–886. doi:10.1093/bioinformatics/btr013.
Davis, R. A., Charlton, A. J., Godward, J., Jones, S. A., Harrison, M., & Wilson, J. C. (2007). Adaptive binning: An improved binning method for metabolomics data using the undecimated wavelet transform. Chemometrics and Intelligent Laboratory Systems, 85(1), 144–154. doi:10.1016/j.chemolab.2006.08.014.
De Meyer, T., Sinnaeve, D., Van Gasse, B., Tsiporkova, E., Rietzschel, E. R., De Buyzere, M. L., et al. (2008). NMR-based characterization of metabolic alterations in hypertension using an adaptive, intelligent binning algorithm. Analytical Chemistry, 80(10), 3783–3790. doi:10.1021/ac7025964.
Deng, L., Gu, H., Zhu, J., Nagana Gowda, G. A., Djukovic, D., Chiorean, E. G., Raftery, D. (2016). Combining NMR and LC/MS using backward variable elimination: Metabolomics analysis of colorectal cancer, polyps, and healthy controls. Analytical chemistry, 88(16), 7975–7983. doi:10.1021/acs.analchem.6b00885.
Domingo-Almenara, X., Brezmes, J., Vinaixa, M., Samino, S., Ramirez, N., Ramon-Krauel, M., et al. (2016). eRah: A computational tool integrating spectral deconvolution and alignment with quantification and identification of metabolites in GC/MS-based metabolomics. Analytical Chemistry, 88(19), 9821–9829. doi:10.1021/acs.analchem.6b02927.
Everett, J. R. (2015). A new paradigm for known metabolite identification in metabonomics/metabolomics: Metabolite identification efficiency. Computational and Structural Biotechnology Journal, 13, 131–144. doi:10.1016/j.csbj.2015.01.002.
Fischer, K., Kettunen, J., Würtz, P., Haller, T., Havulinna, A. S., Kangas, A. J., et al. (2014). Biomarker profiling by nuclear magnetic resonance spectroscopy for the prediction of all-cause mortality: An observational study of 17,345 persons. PLoS Medicine, 11(2), e1001606. doi:10.1371/journal.pmed.1001606.
Fotakis, C., Zoga, M., Baskakis, C., Tsiaka, T., Boutsikou, T., Briana, D. D., et al. (2016). Investigating the metabolic fingerprint of term infants with normal and increased fetal growth. RSC Advances, 6(83), 79325–79334. doi:10.1039/C6RA12403H.
Gralka, E., Luchinat, C., Tenori, L., Ernst, B., Thurnheer, M., & Schultes, B. (2015). Metabolomic fingerprint of severe obesity is dynamically affected by bariatric surgery in a procedure-dependent manner. American Journal of Clinical Nutrition, 102(6), 1313–1322. doi:10.3945/ajcn.115.110536.
Haddad, R. A., & Akansu, A. N. (1991). A class of fast Gaussian binomial filters for speech and image processing. IEEE Transactions on Signal Processing, 39(3), 723–727. doi:10.1109/78.80892.
Hao, J., Astle, W., De Iorio, M., & Ebbels, T. M. D. (2012). BATMAN—An R package for the automated quantification of metabolites from nuclear magnetic resonance spectra using a Bayesian model. Bioinformatics (Oxford, England), 28(15), 2088–2090. doi:10.1093/bioinformatics/bts308.
Hart, C. D., Vignoli, A., Tenori, L., Uy, G. L., Van To, T., Adebamowo, C., et al. (2017). Serum metabolomic profiles identify ER-positive early breast cancer patients at increased risk of disease recurrence in a multicenter population. Clinical Cancer Research, 23(6), 1422–1431. doi:10.1158/1078-0432.CCR-16-1153.
Jobard, E., Pontoizeau, C., Blaise, B. J., Bachelot, T., Elena-Herrmann, B., & Trédan, O. (2014). A serum nuclear magnetic resonance-based metabolomic signature of advanced metastatic human breast cancer. Cancer Letters, 343(1), 33–41. doi:10.1016/j.canlet.2013.09.011.
Kale, N. S., Haug, K., Conesa, P., Jayseelan, K., Moreno, P., Rocca-Serra, P., Nainala, V. C., Spicer, R. A., Williams, M., Li, X., Salek, R. M., Griffin, J. L., & Steinbeck, C. (2016). MetaboLights: An open-access database repository for metabolomics data. Current Protocols in Bioinformatics, 53, 14.13.1–14.13.18. doi:10.1002/0471250953.bi1413s53.
Kang, J., Zhu, L., Lu, J., & Zhang, X. (2015). Application of metabolomics in autoimmune diseases: Insight into biomarkers and pathology. Journal of Neuroimmunology, 279, 25–32. doi:10.1016/j.jneuroim.2015.01.001.
Kordalewska, M., & Markuszewski, M. J. (2015). Metabolomics in cardiovascular diseases. Journal of Pharmaceutical and Biomedical Analysis, 113, 121–136. doi:10.1016/j.jpba.2015.04.021.
Larive, C. K., Barding, G. A., & Dinges, M. M. (2015). NMR spectroscopy for metabolomics and metabolic profiling. Analytical Chemistry, 87(1), 133–146. doi:10.1021/ac504075g.
Lenz, E. M., & Wilson, I. D. (2007). Analytical strategies in metabonomics. Journal of Proteome Research, 6(2), 443–458. doi:10.1021/pr0605217.
Li, L., Li, R., Zhou, J., Zuniga, A., Stanislaus, A. E., Wu, Y., et al. (2013). MyCompoundID: Using an evidence-based metabolome library for metabolite identification. Analytical Chemistry, 85(6), 3401–3408. doi:10.1021/ac400099b.
Lindon, J. C., & Nicholson, J. K. (2008). Analytical technologies for metabonomics and metabolomics, and multi-omic information recovery. TrAC Trends in Analytical Chemistry, 27(3), 194–204. doi:10.1016/j.trac.2007.08.009.
Mercier, P., Lewis, M. J., Chang, D., Baker, D., & Wishart, D. S. (2011). Towards automatic metabolomic profiling of high-resolution one-dimensional proton NMR spectra. Journal of biomolecular NMR, 49(3–4), 307–323. doi:10.1007/s10858-011-9480-x.
Mihaleva, V. V., Verhoeven, H. A., de Vos, R. C. H., Hall, R. D., & van Ham, R. C. H. J. (2009). Automated procedure for candidate compound selection in GC-MS metabolomics based on prediction of Kovats retention index. Bioinformatics (Oxford, England), 25(6), 787–794. doi:10.1093/bioinformatics/btp056.
Psychogios, N., Hau, D. D., Peng, J., Guo, A. C., Mandal, R., Bouatra, S., et al. (2011). The human serum metabolome. PloS ONE, 6(2), e16957. doi:10.1371/journal.pone.0016957.
Ravanbakhsh, S., Liu, P., Bjorndahl, T. C., Bjordahl, T. C., Mandal, R., Grant, J. R., et al. (2015). Accurate, fully-automated NMR spectral profiling for metabolomics. PloS ONE, 10(5), e0124219. doi:10.1371/journal.pone.0124219.
Singh, A., Sharma, R. K., Chagtoo, M., Agarwal, G., George, N., Sinha, N., & Godbole, M. M. (2017). 1H NMR metabolomics reveals association of high expression of inositol 1, 4, 5 trisphosphate receptor and metabolites in breast cancer patients. PloS ONE, 12(1), e0169330. doi:10.1371/journal.pone.0169330.
Smolinska, A., Blanchet, L., Buydens, L. M. C., & Wijmenga, S. S. (2012). NMR and pattern recognition methods in metabolomics: From data acquisition to biomarker discovery: A review. Analytica Chimica Acta, 750, 82–97. doi:10.1016/j.aca.2012.05.049.
Sousa, S. A. A., Magalhães, A., & Ferreira, M. M. C. (2013). Optimized bucketing for NMR spectra: Three case studies. Chemometrics and Intelligent Laboratory Systems, 122, 93–102. doi:10.1016/j.chemolab.2013.01.006.
Tardivel, P. J. C., Canlet, C., Lefort, G., Tremblay-Franco, M., Debrauwer, L., Concordet, D., & Servien, R. (2017). ASICS: An automatic method for identification and quantification of metabolites in complex 1D 1H NMR spectra. Metabolomics, 13(10), 109. doi:10.1007/s11306-017-1244-5.
Tulpan, D., Léger, S., Belliveau, L., Culf, A., & Cuperlović-Culf, M. (2011). MetaboHunter: An automatic approach for identification of metabolites from 1H-NMR spectra of complex mixtures. BMC Bioinformatics, 12, 400. doi:10.1186/1471-2105-12-400.
Wishart, D. S., Jewison, T., Guo, A. C., Wilson, M., Knox, C., Liu, Y., et al. (2013). HMDB 3.0—The Human Metabolome Database in 2013. Nucleic Acids Research, 41(Database issue), D801-7. doi:10.1093/nar/gks1065.
Wruck, W., Kashofer, K., Rehman, S., Daskalaki, A., Berg, D., Gralka, E., et al. (2015). Multi-omic profiles of human non-alcoholic fatty liver disease tissue highlight heterogenic phenotypes. Scientific Data, 2, 150068. doi:10.1038/sdata.2015.68.
Zheng, C., Zhang, S., Ragg, S., Raftery, D., & Vitek, O. (2011). Identification and quantification of metabolites in (1)H NMR spectra by Bayesian model selection. Bioinformatics (Oxford, England), 27(12), 1637–1644. doi:10.1093/bioinformatics/btr118.