Sobre o pré-processamento de dados de espectrometria de massa: instruções e ferramentas para tratamento e uso em modelos de aprendizado de máquina para classificação de biomarcadores
D. A. S. Mendes, R. J. Rangel, A. B. Pavan, A. F. Tavares da Silva, A. F. Oliveira, I. N. Drummond, G. de Assis Mello
GREMLING - Grupo de Pesquisa e Estudos em Machine Learning
Universidade Federal de Itajubá (UNIFEI)
Neste trabalho é apresentada uma discussão sobre a importância e os tipos de técnicas de pré-processamento de dados de espectrometria de massa, quando são usados em modelos de aprendizado de máquina para classificar biomarcadores. Um levantamento de ferramentas computacionais que realizam tais tratamentos foi realizado e um dataset foi organizado.
Desde Dezembro de 2019, no município de Wuhan (Hubei, China), quando o primeiro caso de COVID-19 foi comunicado pela comissão de saúde do município à Organização Mundial de Saúde – OMS [^1], o vírus rapidamente se espalhou pelo mundo. Com isso, vários grupos de pesquisa vem buscando formas de identificar as causas que levam as pessoas infectadas a óbito e como diagnosticar a presença do coronavírus. A seleção e classificação de biomarcadores em dados de espectrometria de massa (EM) empregando modelos de aprendizado de máquina (AM) é uma proposta promissora @metabo10060243 nessa direção. Recentemente, @doi:10.1021/acs.analchem.0c04497 propuseram a criação de um teste de diagnóstico de COVID-19 que utiliza AM na análise de dados de EM.
Essas técnicas também tem sido aplicadas, tanto no desenvolvimento de sensores metabólicos @10.3389/fbioe.2020.00006, quanto no diagnóstico de outras doenças, tais como Dengue e o Zika vírus @10.3389/fbioe.2018.00031.
Em todos esses importantes trabalhos mencionados foram utilizadas diferentes técnicas de pré-processamento (PP) dos dados brutos de EM para sua adequada inserção nos algoritmos de AM. Contudo, segundo investigou-se, tal assunto é muito pouco discutido em trabalhos que são essencialmente da área da saúde.
Neste contexto, este trabalho apresenta uma discussão sobre a importância e os tipos de PP de dados de EM e uma indicação de quais ferramentas podem ser utilizadas para realizar este tratamento.
Em geral, os equipamentos de EM podem gerar diferentes formatos de arquivos de saída de dados. Um dos mais populares é o .RAW, proveniente dos instrumentos científicos da Thermo Fisher Scientific (para análise no Xcalibur Software). Outros, de formato aberto, igualmente populares são o .mzML e o .mzXML.
A etapa de PP consiste na análise e manipulação de vetores de dados que
estão contidos nos arquivos de saída e cujas componentes são,
geralmente, a razão massa/carga (
As seções [F], [A], [D] e [N] descrevem 4 técnicas de PP comumente empregadas na análise de dados de EM.
A filtragem dos dados visa a redução da quantidade de ruídos provenientes da operação do instrumento de medição. Para tanto é interessante obter alguns arquivos de dados apenas com o ruído gerado pelo equipamento, ou seja, sem a presença da amostra. Isso será importante para a definição do limite inferior durante o processo de operação matemática de filtragem. Dentre os softwares mais comuns para esta técnica podemos citar o MZmine, Analyst , OpenMS e o XCMS @Li2021 [@PrezCova2021].
Durante a operação de aquisição dos dados é interessante a utilização de
uma solução calibrante conhecida, juntamente com sua amostra, em cada
análise. Tal solução vai permitir um ajuste da exatidão de
O objetivo desse processo é localizar de forma robusta os picos verdadeiros referentes aos metabólitos da amostra. Tal processo permite excluir picos falsos, principalmente os provenientes de ruídos do equipamento, reduzindo a complexidade dos dados, antes de sua análise. Dentre as bibliotecas e funções que realizam essa técnica podemos citar o ``find_peaks" do Scipy, que encontra picos dentro de um sinal com base nas propriedades de pico, e o F-score do MZmine, que detecta os picos através da construção do cromatograma, que cria uma lista de massas e da deconvolução dos picos @Leier2020.
A normalização permite uma comparação quantitativa, removendo variações não desejadas entre as amostras. Isso garante que, nas análises multivariadas, a comparação entre sinais de duas amostras preparadas em concentrações distintas possam ser realizados. O MZMine é um dos softwares mais utilizados para esta função.
Desta forma, pode-se observar o quão importante é a etapa de PP dos dados e como ela interfere diretamente na qualidade do dado que será inserido nos modelos de AM, afetando seu desempenho de maneira significativa.
A apresentação e o detalhamento das técnicas de PP dos dados de EM mostram-se cruciais para o entendimento e reprodução dos resultados obtidos dos modelos de AM de diversos trabalhos que abordam o tema.
Após uma busca na literatura foi realizada uma compilação dos softwares mais utilizados no PP de dados de EM. Na Tabela [tab] foram indicadas uma descrição breve, o tipo e as principais funções disponíveis em cada software.
Tabela de Ferramentas Computacionais Voltadas para Analise e Pré-processamento de dados de Espectometria de Massas
| Programa | Tipo de tratamento dos dados | Descrição basica do programa | Tipo |
|---|---|---|---|
| XCMS | F-A-D-N | XCMS Online é uma plataforma inovadora com uma interface gráfica intuitiva que permite aos usuários fazer upload e processar dados LC / MS para perfis metabólicos não direcionados. O XCMS Online oferece um fluxo de trabalho metabolômico completo, incluindo detecção de recursos, correção de tempo de retenção, alinhamento, anotação e análise estatística. | Livre |
| apLCMS | F-D | Um conjunto de algoritmos para o processamento de dados LC / MS de alta resolução. Os algoritmos são implementados em um pacote R apLCMS, que pode processar com eficiência grandes conjuntos de dados LC / MS. | Livre |
| MAVEN | F-D | É um analisador de dados metabólicos de plataforma cruzada de código aberto. O objetivo deste pacote de software é reduzir a complexidade da análise metabolômica através do desenvolvimento de uma interface altamente intitulada para explorar e validar dados metabolômicos. O programa apresenta alinhador cromatográfico de vários arquivos, detector de características de pico, calculadora de isótopos e adutos, preditor de fórmula, visualizador de vias e animador de fluxo isotópico. | Livre |
| Analyst | F | O Software Analyst é parte integrante de um sistema de Espectrômetro de Massas SCIEX, oferece integração de sistema completo e um único ponto de controle para uma variedade de auto-samplers, bombas HPLC e fontes de íons. É o centro de comando atrás de seu equipamento. | Proprietario |
| OpenMS | F-A-D-N | OpenMS é uma base de código que pode ser adaptada para muitas aplicações diferentes, desde a análise livre de rótulo padrão até top down, metabolômica, reticulação ou DIA. | Livre |
| MZMine 2 | F-A-D-N | Programa de código aberto, baseado nas ferramentas originais do MZMine. É o software mais utilizado para detecção de dados espectrais de massas. | Livre |
Dentre os softwares analisados pode-se apontar, como uma opção bastante acessí-vel, o MZmine já que é um software open source e possui diversos tutoriais sobre seu funcionamento e operação. O MZmine fornece diferentes algoritmos para detecção de picos: o algoritmo de limiar recursivo reduz o número de falsos positivos evitando a detecção de ruído; o algoritmo de transformação Wavelet é adequado para filtragem de dados com ruído; o algoritmo de ``Massa exata" supõe espectros de alta qualidade e determina o centro de cada m/z utilizando a largura a meia altura.
Um dataset mais detalhado com outros softwares utilizados no tratamento de dados de EM pode ser encontrado no repositório Github do grupo de pesquisa – Gremling Research Group
Com esse levantamento realizado espera-se lançar alguma luz e apontar algumas estratégias de abordagem ao problema da apresentação e discussão do PP de dados de EM em trabalhos que aplicam modelos de AM na área de saúde.
A análise de dados de EM revela-se complexa e delicada devido, especialmente, à natureza do aparato experimental e das características dos materiais estudados. Essa dificuldade vem sendo gradualmente vencida com o advento dos algoritmos de AM que são usados para selecionar, classificar e catalogar substâncias de interesse para a área da saúde. Contudo, sem um bom PP dos dados a análise executada por esses algoritmos fica extremamente prejudicada afetando as conclusões e a reprodução dos resultados obtidos.
Observa-se ser premente uma melhor apresentação e discussão das técnicas de PP utilizadas em todo trabalho, na área da saúde, que lida com dados de EM como entrada em modelos de AM. Uma última questão ainda merece consideração: Existiria alguma técnica ou algoritmo alternativo ao PP que permita o uso direto de dados brutos de EM? Uma possível resposta, que ainda pretende-se investigar, pode surgir da análise do emprego de redes neurais profundas. Esse procedimento pode ser promissor especialmente na tarefa de classificação de biomarcadores.
Chaerkady, R., Zhou, Y., Delmar, J. A., Weng, S. H. S., Wang, J., Awasthi, S., Sims, D., Bowen, M. A., Yu, W., Cazares, L. H., Sims, G. P., and Hess, S. (2021). Characterization of citrullination sites in neutrophils and mast cells activated by ionomycin via integration of mass spectrometry and machine learning. Journal of Proteome Research.
Delafiori, J. and Navarro, e. (2021). Covid-19 automated diagnosis and risk assessment through metabolomics and machine learning. Analytical Chemistry, 93(4):2471–2479. PMID: 33471512.
Dias-Audibert, F. L., Navarro, L. C., de Oliveira, D. N., Delafiori, J., Melo, C. F. O. R.,Guerreiro, T. M., Rosa, F. T., Petenuci, D. L., Watanabe, M. A. E., Velloso, L. A., Rocha, A. R., and Catharino, R. R. (2020). Combining machine learning and metabolomics to identify weight gain biomarkers. Frontiers in Bioengineering and Biotech- nology, 8:6.
Leier, H. C., Weinstein, J. B., Kyle, J. E., Lee, J.-Y., Bramer, L. M., Stratton, K. G.,Kempthorne, D., Navratil, A. R., Tafesse, E. G., Hornemann, T., Messer, W. B., Den- nis, E. A., Metz, T. O., Barklis, E., and Tafesse, F. G. (2020). A global lipid map defines a network essential for zika virus replication. Nature Communications, 11(1). Li, D. and Gaquerel, E. (2021). Next-generation mass spectrometry metabolomics revives the functional analysis of plant metabolic diversity. Annual Review of Plant Biology, 72(1)
Liebal, U. W., Phan, A. N. T., Sudhakar, M., Raman, K., and Blank, L. M. (2020). Machine Learning Applications for Mass Spectrometry-Based Metabolomics. Metabolites, 10(6).
Melo, C. F. O. R. e. a. (2018). A machine learning application based in random forest for integrating mass spectrometry-based metabolomic data: A simple screening method for patients with zika virus. Frontiers in Bioengineering and Biotechnology, 6:31.
Pérez-Cova, M., Bedia, C., Stoll, D. R., Tauler, R., and Jaumot, J. (2021). MSroi: a pre-processing tool for mass spectrometry-based