《Metabolomics》：Impact of matched samples on domain harmonization in cross-cohort NMR metabolomics
编辑推荐：
摘要
基于机器学习模型训练的代谢组学数据，在应用于独立队列时，由于分析平台、样本处理、储存条件及代谢物定量流程的差异所引入的域偏移（domain shift），其性能常常下降。因此，需要稳健的跨队列代谢组学数据集协调（harmonization）方法，以提高模
摘要
基于机器学习模型训练的代谢组学数据，在应用于独立队列时，由于分析平台、样本处理、储存条件及代谢物定量流程的差异所引入的域偏移（domain shift），其性能常常下降。因此，需要稳健的跨队列代谢组学数据集协调（harmonization）方法，以提高模型的迁移性和可重复性。
目标：评估匹配样本（matched samples）对NMR代谢组学数据中域协调及跨队列预测性能的影响，并比较多种协调策略，以提升模型在独立采集数据集上的泛化能力。
方法：研究人员开发了一个机器学习框架，利用爱沙尼亚生物样本库（Estonian Biobank）的血浆NMR代谢组学数据，对ICD-10编码I50.9（未特指的心力衰竭）进行分类。模型在包含12,000例样本的源数据集（于Nightingale Health测量）上训练，并在独立测量的目的地数据集（295例样本，于不同NMR平台采集）上评估。协调方法包括域内归一化（within-domain normalization）、最优传输（Optimal Transport）、桥接映射（Bridge mapping）和经验贝叶斯校正（Empirical Bayes correction）。匹配样本的影响通过多达108个在两个数据集中均测量的重复生物样本进行评估。此外，研究人员使用Metabolomics Workbench中独立生成的人妊娠糖尿病和小鼠糖尿病代谢组学数据集进行了额外验证。
结果：与未对齐数据相比，域协调总体上改善了跨队列预测性能，尤其是在存在匹配样本时。预测性能随用于校准的匹配样本数量增加而提升，但不同方法间的增益有所差异。然而，简单的域内归一化始终表现出强劲性能，且常常达到或超过更复杂的对齐方法。使用完全无匹配的人类和小鼠代谢组学数据集进行的外部验证表明，相对于原始数据，协调策略改善了分类性能，支持了该框架的更广泛适用性。
结论：匹配样本显著增强了域协调，并提高了代谢组学预测模型跨分析平台和队列的迁移性。然而，稳健的归一化仍是一个强大的基线，更复杂的对齐方法的收益取决于匹配参考样本的可用性和代表性。这些发现为开发可重复的跨队列代谢组学机器学习模型同时保留生物学相关信号提供了实践指导。
论文解读
一、研究背景与问题
心血管疾病（CVD）是全球范围内主要的疾病负担，影响超过5亿人。代谢组学数据已被广泛用于心血管疾病研究，但不同实验室、不同NMR平台或不同批次的测量会引入系统性技术变异，即域偏移（domain shift），导致在一个数据集上训练的机器学习模型在另一个独立队列上性能显著下降。目前，缺乏可靠的数据转换和协调方法，使得跨队列的独立测试数据集生成成为研究中的主要瓶颈。因此，需要系统地评估和开发数据协调策略，以提升模型的可迁移性和可重复性。
二、研究内容与结论
研究人员基于爱沙尼亚生物样本库（Estonian Biobank，EstBB）的大规模血浆NMR代谢组学数据，以ICD-10编码I50.9（未特指的心力衰竭）为预测目标，构建了一个机器学习框架。源数据集（D?）包含12,000例样本，在Nightingale Health的500 MHz NMR平台测量；目的地数据集（D?）包含295例样本，在意大利技术研究院（Istituto Italiano di Tecnologia）的600 MHz NMR平台测量。研究中纳入了108个在两个平台均测量的重复生物样本作为匹配样本，用于校准域间映射。研究人员比较了域内归一化、最优传输（OT）、桥接映射（BM）和经验贝叶斯（EB）协调等多种策略，并系统评估了匹配样本数量对预测性能的影响。结果表明，匹配样本能够显著提升跨域预测性能，且随着匹配样本数量的增加，性能总体上升；但简单的域内归一化始终是一个强基线，甚至常常优于更复杂的对齐方法。外部验证（人类妊娠糖尿病和小鼠糖尿病数据集）进一步支持了协调策略的通用性，即便在完全无匹配样本的情况下，协调仍能改善分类性能。
三、主要关键技术方法
研究人员开发了一套软件工具，支持多种数据适应方法：最优传输（Optimal Transport，OT），通过线性映射对齐源域与目标域分布；桥接映射（Bridge mapping，BM），在存在匹配样本时使用基于普通最小二乘（OLS）的配对线性回归，无匹配样本时采用最近邻伪配对或相关对齐（CORAL）进行分布级对齐；经验贝叶斯（Empirical Bayes，EB）协调，采用ComBat风格的位置与尺度校正。所有方法在预处理（中位数填补和最小-最大缩放）之后应用。模型训练采用随机森林、决策树、支持向量机、逻辑回归、高斯朴素贝叶斯、随机梯度下降和k近邻等算法，通过五折交叉验证评估，并以平衡准确率（BA）和Matthews相关系数（MCC）为主要指标。外部验证数据来自Metabolomics Workbench（人类妊娠糖尿病ST001948与ST003671，小鼠糖尿病ST000075与ST001253），均采用LC-MS平台。
四、研究结果
3.1 ICD-10编码选择：经过筛选，选定I50.9（未特指的心力衰竭）作为目标疾病，D?中包含45例病例。
3.2 样本和生物标志物选择：D?中包含197例对照和98例I50.9病例，并加入108例重复样本（74例对照，34例病例）。最终确定11个可在两平台可靠定量的代谢物：葡萄糖、乳酸、柠檬酸、丙氨酸、谷氨酰胺、组氨酸、异亮氨酸、亮氨酸、缬氨酸、苯丙氨酸和酪氨酸。
3.3 无监督可视化：对原始数据、归一化数据以及不同协调方法（0或108个匹配样本）的PCA分析显示，原始、归一化和无匹配EB数据中D?与D?明显分离，而OT和BM在有无匹配样本时均呈现聚类趋势，表明显式协调方法能消除域间结构差异。
3.3.1 使用0个匹配样本的ML模型测试：训练后测试，SVM配合归一化数据取得最高BA 0.64、MCC 0.31；SVM配合桥接映射数据BA 0.61、MCC 0.28。SHAP值显示缬氨酸、苯丙氨酸、异亮氨酸等贡献较高。
3.3.2 使用108个匹配样本的ML模型测试：SVM配合归一化数据达到BA 0.72、MCC 0.46；逻辑回归配合EB协调数据BA 0.705、MCC 0.39。SHAP值中苯丙氨酸（0.68）、缬氨酸（0.62）等仍为主要特征。
3.3.3 匹配样本协调评估：OT在各项指标上均优于其他方法，包括Pearson相关系数0.89、Spearman秩相关0.86、ICC 0.89、CCC 0.89、RMSE 0.03、MAE 0.01，表明匹配样本经OT变换后两平台测量值高度一致。
3.4 确定所需匹配样本数量：通过子采样实验（k从0到108，30次重复），发现使用匹配样本整体上优于未对齐基线，且随着k增大性能趋于稳定；当k=108时，EB配合逻辑回归取得最高BA 0.705。但小k（如k=1）时映射不稳定，部分方法失效。
3.5 外部数据集验证：在人类妊娠糖尿病数据中，原始数据最佳BA 0.63（SGD），协调后归一化数据配合决策树达到BA 0.71、MCC 0.44；在小鼠糖尿病数据中，原始数据最佳BA 0.67（LR），协调后归一化数据配合朴素贝叶斯达到BA 0.92、MCC 0.87。所有方法均无需匹配样本，表明协调框架在完全无配对场景下同样有效。
五、总结与结论
讨论部分指出，匹配样本对跨域预测非常宝贵，即便部分对应也能改善迁移性。然而，性能不仅取决于匹配样本数量，还与特定子集相关，小样本时对齐不稳定。简单域内归一化表现出强竞争力，说明大部分域偏移可通过稳健预处理解决；复杂对齐方法仅在匹配数据充足且代表性好时提供额外增益。此外，分布对齐程度与分类性能之间并非简单正相关，过度校正可能破坏类别判别性生物信号。因此，协调方法的选择应基于其对预测结构的保留能力，而非仅追求分布相似性。
研究结论：域协调能够改善跨队列代谢组学模型的迁移性，但其收益应相对于简单预处理基线进行评估。实际建议为：当存在较多匹配样本（且数量上占优）时，最优传输（OT）是强候选方法；而当无匹配样本或匹配样本占少数时，应优先采用简单的域内归一化。
