Pembangunan kaedah pengekstrakan puncak daripada spektrum jisim MALDI-TOF resolusi tinggi dengan pembelajaran mesin memfokuskan pada bentuk puncak, dan aplikasi untuk analisis polimer sintetik [Aplikasi MALDI]
MSTips No.352
Spektrometer jisim masa penerbangan (MALDI-TOFMS) berbantukan matriks laser adalah alat yang berkuasa dalam analisis polimer. MALDI-TOFMS resolusi tinggi memudahkan pengecaman siri polimer dengan komposisi unsur unit berulang dan kumpulan akhir, dan membenarkan pengiraan taburan berat molekul polimer daripada taburan keamatan ionik. Dalam analisis bahan industri sebenar, campuran polimer dengan taburan berat molekul yang berbeza dan kumpulan akhir dianalisis, dan analisis Kendrick Mass Defect (KMD), yang membolehkan gambaran keseluruhan spektrum jisim kompleks, sedang digunakan. Analisis KMD boleh menggambarkan bilangan dan jumlah relatif siri polimer yang terkandung dalam spektrum jisim kompleks kerana siri polimer divisualisasikan sebagai garis lurus pada rajah yang dipanggil plot KMD. Ciri lain ialah ia memudahkan penemuan komponen surih. Memandangkan plot KMD dicipta dengan mengekstrak puncak daripada spektrum jisim, adalah penting untuk membezakan dengan betul antara puncak yang akan dianalisis dan puncak hingar. Spektrum jisim MALDI-TOFMS sering menunjukkan puncak hingar di mana keamatan ion berkurangan secara eksponen dengan peningkatan m/z. Puncak ini luas, bentuknya herot dan tidak dapat dihasilkan semula. Dalam spektrum jisim yang diukur menggunakan siri MALDI-TOFMS JMS-S3000 "SpiralTOF™" resolusi tinggi, puncak yang akan dianalisis mempunyai lebar puncak yang sempit, membolehkan untuk membezakannya secara visual daripada puncak tidak bermaklumat. Walau bagaimanapun, melaksanakan pengenalpastian ke atas keseluruhan spektrum jisim dan termasuk puncak kecil memakan masa dan tidak cekap. Dalam penentuan puncak automatik am, nilai kawasan puncak digunakan sebagai keamatan ion. Oleh itu, apabila puncak hingar lebar mempunyai ketinggian yang sama dengan puncak untuk dianalisis, mungkin sukar untuk menyusunnya secara seragam dengan nilai ambang kerana keamatan ion menjadi lebih tinggi. Rajah 1 menunjukkan spektrum jisim profil dan puncak yang akan dianalisis dan puncak hingar selepas penentuan puncak am. Dalam senarai puncak, puncak yang akan dianalisis berwarna merah, dan hingar memuncak hijau. Puncak hingar yang lemah diperhatikan setiap 1 u dalam spektrum profil. Dalam spektrum profil, puncak yang akan dianalisis boleh dikenal pasti berdasarkan lebar puncak, tetapi selepas pengesanan puncak, keamatan ion (kawasan puncak) puncak hingar menjadi agak besar, menjadikannya sukar untuk mengenal pasti puncak yang akan dianalisis. . Untuk menyelesaikan masalah ini, laporan ini menerangkan pembangunan kaedah untuk mengenal pasti sama ada puncak dalam spektrum jisim ialah puncak sasaran analisis atau puncak hingar menggunakan pembelajaran mesin dengan data diselia yang memfokuskan pada bentuk puncak.
Eksperimen
Untuk menjana data untuk pembelajaran mesin, polietilena glikol (PEG) dengan purata berat molekul 400, 600, 1000, dan 2000 telah disediakan pada 10 mg/mL dan kemudian dicampur dengan 1:1:2:4 (v/v/v/ v) nisbah (campuran PEG). Di samping itu, campuran PEG dicairkan 100 kali ganda telah disediakan sebagai campuran PEG berkepekatan rendah. 。DCTB (10 mg/mL) digunakan sebagai matriks, dan natrium trifluoroasetat (1 mg/mL) digunakan sebagai agen pengion. Spektrum jisim diperoleh menggunakan JMS-S3000 "SpiralTOF™-plus" dalam mod ion positif SpiralTOF. Denoising pembelajaran mesin dilaksanakan dalam msPeakFinder. Analisis KMD dilakukan dengan msRepeatFinder.
Rajah 1 Profil spektrum jisim MALDI-TOFMS (a) dan spektrum senarai puncak resolusi tinggi menggunakan kaedah pengesanan puncak konvensional.
Kaedah pembelajaran mesin
Untuk pembelajaran mesin, kami menggunakan Conditional Generative Adversarial Network (cGAN). Memandangkan output cGAN menghasilkan data mengikut data keadaan input, ia boleh dianggap sebagai penukaran daripada data keadaan kepada data yang dijana. Kaedah ini adalah berdasarkan konsep memasukkan spektrum jisim yang diperhatikan dan mengeluarkan spektrum jisim pseudo dengan puncak hingar dibuang, dan menggunakannya pada penyingkiran puncak hingar. Rajah 2 menunjukkan carta alir prosedur untuk mencipta model pembelajaran mesin untuk kaedah ini. Dalam carta alir, latar belakang kuning ialah campur tangan manusia, dan hijau adalah automatik. Pertama, kami memperoleh spektrum jisim campuran PEG untuk data latihan (Rajah 3a). Selepas spektrum jisim yang diperolehi tertakluk kepada pengesanan puncak dengan kaedah konvensional dan senarai puncak dicipta, puncak yang akan dianalisis ditentukan dan diekstrak oleh pakar berdasarkan bentuk puncak (Rajah 3b anak panah merah). Puncak yang akan dianalisis ditetapkan pada ketinggian malar tanpa mengira keamatan ion yang diperhatikan, dan bentuk puncak dicipta dengan taburan Gaussian untuk mencipta spektrum jisim pseudo (Rajah 3c). Dalam kaedah ini, spektrum jisim yang diperoleh dan spektrum jisim pseudo telah dipasangkan dan digunakan sebagai data asal untuk data latihan. Kini, ia memerlukan masa dan usaha untuk memperoleh sejumlah besar spektrum jisim untuk meningkatkan bilangan data latihan. Oleh itu, kami mencipta sejumlah 1,600 pasangan data latihan daripada satu data asal dengan membahagikan data asal setiap 1,024 mata dan menukar titik permulaan bahagian lima kali. Model pembelajaran mesin telah dijana menggunakan data latihan yang dibuat dengan cara ini. Rajah. 4 menunjukkan gambar rajah konsep. Spektrum jisim yang diperolehi ditukar kepada spektrum jisim pseudo oleh Penjana. Kualiti penjana telah dipertingkatkan dengan mendiskriminasi gabungan spektrum jisim terukur ini dan spektrum jisim pseudo yang ditukar melalui penjana, dan gabungan spektrum jisim terukur dan spektrum jisim pseudo data latihan, dengan diskriminator.
Rajah 2 Carta alir membuat model pembelajaran mesin.
Rajah 3 Hubungan antara spektrum jisim profil(a), senarai puncak(b) dan spektrum jisim pseudo(c).
Rajah 4 Skema membuat model pembelajaran mesin menggunakan cGAN.
Pengesahan dan penggunaan model pembelajaran mesin
Seterusnya, prosedur untuk penyingkiran hingar sebenar menggunakan model pembelajaran mesin yang dijana ditunjukkan (Rajah 5). Dalam carta alir, latar belakang kuning ialah campur tangan manusia, dan hijau adalah automatik. Spektrum jisim yang diperolehi tertakluk kepada pengesanan puncak melalui kaedah konvensional, dan selari dengan ini, ia dibahagikan kepada 1,024 mata dan ditukar kepada spektrum jisim pseudo menggunakan model pembelajaran mesin bagi puncak yang ditentukan oleh kaedah konvensional, hanya puncak yang sepadan kedudukan puncak spektrum jisim pseudo ditinggalkan, dan senarai puncak yang dialih keluar hingar dijana. Dengan kata lain, m/z dan keamatan ion senarai puncak yang diekstrak oleh kaedah ini adalah kaedah konvensional. Di sini, kami cuba mengalih keluar puncak hingar daripada spektrum jisim campuran PEG, yang digunakan untuk mencipta data latihan. Keputusannya diringkaskan dalam Jadual 1. Sebanyak 4,390 puncak dikesan daripada spektrum jisim campuran PEG melalui kaedah konvensional. Antaranya, 1,265 puncak di kiri atas dan 3,105 puncak di kanan bawah (99.5% daripada jumlah keseluruhan) sepadan dengan keputusan pertimbangan yang dibuat oleh model pembelajaran mesin dengan pertimbangan yang dibuat secara manual apabila data latihan dibuat. 14 puncak di bahagian atas sebelah kanan telah ditentukan sebagai puncak untuk dianalisis apabila model pembelajaran mesin dicipta, tetapi ditentukan sebagai puncak hingar oleh model pembelajaran mesin. Telah disahkan bahawa bentuk puncak ini sedikit herot dan sukar untuk dinilai walaupun oleh pakar. Enam puncak di sebelah kiri bawah ditentukan sebagai puncak hingar apabila data latihan dicipta, tetapi ditentukan sebagai puncak untuk dianalisis oleh model pembelajaran mesin. Ia telah disahkan bahawa ini disebabkan oleh kesilapan manusia semasa menyediakan data latihan. Selepas itu, pembelajaran mesin dilakukan semula dengan data latihan yang membetulkan kesilapan ini. Kami percaya bahawa adalah berkesan untuk mengesahkan model dengan menggunakan spektrum jisim yang digunakan untuk mencipta model pembelajaran mesin. Akhir sekali, pengekstrakan puncak dilakukan menggunakan spektrum jisim PEG berkepekatan rendah, dan keputusan yang dibangunkan menjadi plot KMD ditunjukkan dalam Rajah 6. Rajah 6a ialah spektrum jisim yang diukur dan Rajah 6b ialah plot KMD. Titik merah dalam plot KMD ditentukan sebagai puncak untuk dianalisis oleh pembelajaran mesin, dan titik hijau ditentukan sebagai puncak hingar. Daripada keputusan ini, dapat dilihat bahawa siri PEG divisualisasikan dengan baik dengan mengeluarkan bunyi bising, terutamanya di kawasan m/z <1,500.
Ringkasan
Seperti yang diterangkan di atas, kami dapat menunjukkan bahawa analisis KMD boleh dilakukan dengan lebih cekap dengan mengeluarkan puncak hingar yang sering diperhatikan dalamm/z rantau daripada data MALDI-TOFMS resolusi tinggi menggunakan model pembelajaran mesin.
Rajah 5 Carta alir membuat senarai puncak ekstrak oleh model pembelajaran mesin.
Jadual 1 Perbandingan antara senarai puncak campuran PEG yang digunakan sebagai data latihan dan yang diekstrak oleh model pembelajaran mesin.
Rajah 6 Spektrum jisim campuran PEG berkepekatan rendah(a) dan plot KMD bagi senarai puncak yang diekstrak (merah) dan senarai bunyi bising (hijau) yang dipisahkan oleh model pembelajaran mesin.
Rumusan berdasarkan bidang
Adakah anda seorang profesional perubatan atau kakitangan yang terlibat dalam penjagaan perubatan?
Tidak
Sila diingatkan bahawa halaman ini tidak bertujuan untuk memberikan maklumat tentang produk kepada orang ramai.