《npj Systems Biology and Applications》:Cross-platform metabolomics imputation using importance-weighted autoencoders
编辑推荐:
本研究针对代谢组学数据因平台差异难以整合的问题,开发了基于重要性加权自编码器(IWAE)的集成模型,实现了从LC-MS平台到Metabolon平台的高精度代谢物插补。在979个样本的训练集中,199种代谢物(占22%)的插补R2≥0.55,且与BMI、CRP的关联分析显示高度一致性(ρBMI=0.93)。该方法为跨研究代谢组学数据整合提供了可靠工具。
代谢组学作为系统生物学的重要分支,通过全面分析生物体内的小分子代谢物,为疾病诊断、生物标志物发现和药物研发提供关键信息。然而,不同实验室采用的代谢组学平台(如Metabolon的靶向质谱和英国国家表型中心(NPC)的非靶向液相色谱-质谱联用技术)存在分析方法、代谢物注释和定量标准的差异,导致数据难以直接比较或整合。这一瓶颈限制了多中心研究的协同分析和大规模验证的效率。传统的数据整合方法多针对同平台或相似平台设计,尚未实现跨平台的完整数据重建。
为解决这一挑战,帝国理工学院公共卫生学院的研究团队在《npj Systems Biology and Applications》发表了一项创新性研究,提出了一种基于重要性加权自编码器(Importance-Weighted Autoencoder, IWAE)的集成学习方法,实现了从NPC的LC-MS数据到Metabolon平台代谢物数据的跨平台插补。该研究利用Airwave健康监测研究的979个样本作为训练集,通过深度学习模型成功生成了与真实测量高度一致的插补数据,为代谢组学数据的跨研究整合提供了新范式。
研究采用了几项关键技术方法:首先利用Uniform Manifold Approximation and Projection(UMAP)对Metabolon-NPC数据集中的代谢物进行降维和聚类,识别出脂肪酸、鞘脂、磷脂等5个代谢物簇;随后基于重要性加权自编码器框架构建了多个插补模型,采用贪心选择策略确定最优模型;最后通过线性回归分析验证插补数据与真实数据在身体质量指数(BMI)和C反应蛋白(CRP)关联中的一致性。所有分析均基于Airwave研究的锂肝素血浆样本和EDTA血浆样本,包括NPC数据集(n=2,971)和Metabolon数据集(n=2,229)。
代谢物聚类分析
通过UMAP将Metabolon和NPC平台的代谢物映射到同一二维空间,结合K-means聚类识别出五个代谢物簇,分别标记为脂肪酸(356个代谢物)、鞘脂、磷脂、酰基甘油(503个代谢物)和其他类别。聚类结果反映了代谢物的生物学通路和化学类别特征,为后续分簇建模奠定了基础。
Metabolon插补性能
基于分簇训练的IWAE模型在测试集上表现出色,各簇的平均绝对误差(MAE)介于0.125-0.190之间。贪心选择策略显著提升了非脂类代谢物的插补精度,199种代谢物(占Metabolon平台的22%)的插补R2≥0.55,且不确定性低(R2方差≤0.025)。值得注意的是,其中43种代谢物为Metabolon平台独有。插补性能存在显著类别差异:脂类代谢物的平均R2最高(0.49),而碳水化合物、核苷酸等小分子类别的插补效果较差。测试集样本的整体插补值与真实值的平均相关性达ρ=0.61。
观察性关联一致性验证
在2,971个独立样本中,比较插补代谢物与真实代谢物对BMI和CRP的关联性。结果显示,插补数据与真实数据的关联效应高度一致:BMI的相关系数ρ=0.93,CRP为ρ=0.89;效应值的平均差异极小(BMI的μΔ=0.005,CRP的μΔ=0.005)。与UK Biobank核磁共振(NMR)数据和NPC真实数据的对比分析进一步验证了插补结果的可靠性,关联差异均低于0.02标准偏差。
讨论与结论
该研究首次将重要性加权自编码器应用于跨平台代谢组学插补,成功实现了从LC-MS数据到Metabolon数据的重构。方法的创新性体现在三个方面:一是通过集成学习策略克服了单一模型对脂类代谢物的偏好,提升了非脂类代谢物的插补效果;二是利用贪心选择优化模型组合,降低了插补不确定性;三是通过大规模临床关联验证证明了插补数据的生物学合理性。局限性在于训练样本量(n=979)较小限制了模型复杂度,且当前插补效果更适用于脂类代谢物。未来通过引入更多平台数据(如核磁共振)有望进一步提升插补范围。该方法为多中心代谢组学研究的数据整合、异质性验证和meta分析提供了可靠的技术支撑,推动代谢组学在精准医疗中的规模化应用。