MetaboKG: An Analysis-centric Knowledge Graph Framework for Untargeted Metabolomics

Resumen Técnico: MetaboKG

Enunciado del Problema
La metabolómica no dirigida genera grandes volúmenes de datos de espectrometría de masas en tándem (MS/MS) y anotaciones computacionales. Aunque repositorios públicos como GNPS/MassIVE, MetaboLights y el Metabolomics Workbench se han expandido, el campo enfrenta un problema crítico de fragmentación. Los datos permanecen dispersos en repositorios heterogéneos con lógicas de envío, formatos de archivo y prácticas de metadatos diferentes. Aunque iniciativas como Pan-ReDU han mejorado la armonización de metadatos, la capa analítica sigue siendo disconexa: los espectros, características, salidas de flujos de trabajo, anotaciones, puntuaciones de confianza y metadatos contextuales a menudo quedan atrapados en artefactos tabulares (por ejemplo, CSV) o exportaciones de repositorios aislados. Esta fragmentación impide la reutilización trazable de las anotaciones, dificulta la comparación entre estudios y oscurece las relaciones bioquímicas que requieren la integración de datos químicos con el contexto biológico y ambiental. Los enfoques semánticos actuales a menudo se centran en colecciones curadas o interpretaciones biológicas específicas posteriores, dejando un vacío en la integración sistemática de datos públicos heterogéneos de metabolómica no dirigida con sus salidas analíticas nativas y su procedencia.

Metodología
Los autores presentan MetaboKG, un marco de gráfico de conocimiento centrado en el análisis diseñado para generar conocimiento de metabolómica reutilizable a partir de repositorios públicos. La metodología se basa en tres pilares coordinados:

1. Modelado Semántico e Integración de Ontologías:

   • Núcleo de Procedencia: El marco se fundamenta en la ontología PROV-O para modelar explícitamente la recopilación de datos, las actividades del flujo de trabajo y los agentes, garantizando la trazabilidad. Los autores evitaron deliberadamente SOSA para priorizar la representación del flujo de trabajo de datos sobre los procesos de transformación biológica.
   • Pila de Ontologías: El modelo utiliza un conjunto restringido pero estructurado de ontologías: MS (Espectrometría de Masas) para conceptos de dominio (extendido para características de metabolómica), SIO (Ciencia Semántica) para relaciones genéricas y patrones n-arios, ChEBI para entidades químicas, NCBITaxon para organismos, ENVO para contexto ambiental y NCIT para descriptores de muestra.
   • Relaciones N-arias: Para manejar metadatos complejos, el marco emplea un patrón de relación n-aria utilizando recursos intermedios. Esto permite que los valores lleven contexto semántico (a través de rdf:type) en lugar de ser literales simples, reduciendo la complejidad del gráfico mediante estrategias de deduplicación para vocabularios controlados, mientras se mantienen rutas de procedencia distintas para cada flujo de trabajo.
   • Diseño de Metadatos: Alejándose del modelo completo ISA-Tab debido a limitaciones de alineación y cobertura escasa de metadatos, los autores adoptaron un modelo personalizado centrado en la descripción de la muestra, el organismo de origen y el protocolo experimental, vinculados mediante un proceso de muestreo artesanal.

2. Flujo de Trabajo de Transformación:

   • Armonización de Metadatos: El sistema ingesta metadatos de muestras y estudios desde Pan-ReDU, que agrupa datos de GNPS, MetaboLights y NMDR. Un flujo de trabajo semiautomático mapea términos no controlados a ontologías (utilizando EBI OLS4) y analiza metadatos composicionales (por ejemplo, disolventes de extracción) en parámetros estructurados. Las entidades de organismos se construyen como individuos compuestos que agrupan ocho columnas contextuales, logrando una reducción del 98,4% en la redundancia tabular.
   • Extracción de Salidas Analíticas: El marco procesa 680 resultados de redes moleculares de GNPS (tanto MN como FBMN) derivados de 2.141 artículos de acceso abierto. Se emplea un Modelo de Lenguaje Grande (LLM) para extraer identificadores de conjuntos de datos de MassIVE e identificadores de trabajos de GNPS de la literatura, cerrando la brecha entre los metadatos del repositorio y las salidas analíticas.
   • Ingesta de Datos: Las salidas CSV de GNPS se armonizan columna por columna utilizando tres estrategias: mapeo directo a nodos tipados, mapeo literal y búsqueda en ontologías.

3. Identificador Universal de Anotación (UAI):

   • Para abordar el desafío de vincular salidas heterogéneas, MetaboKG introduce el UAI, una extensión del Identificador Universal de Espectro (USI).
   • El UAI descompone los identificadores en componentes reutilizables (ID de colección, archivo, escaneo, coincidencia, característica). Esto soporta la vinculación tardía y la ingesta incremental, permitiendo que los conjuntos de datos y las anotaciones se vinculen a posteriori a través de fragmentos de identificadores compartidos, incluso si los metadatos son escasos.
   • El sistema utiliza URIs deterministas (PrefijoGlobal + concepto legible por humanos + hash) para garantizar estabilidad y reproducibilidad sin depender de registros externos.

Contribuciones Clave

• Marco Centrado en el Análisis: Un enfoque novedoso que desplaza el foco desde exportaciones de repositorios aislados hacia una estructura de gráfico unificada donde las entidades analíticas, los metadatos y la procedencia se consultan conjuntamente.
• Transformación que Preserva la Procedencia: Un flujo de trabajo que mantiene los vínculos entre exportaciones de repositorios, archivos analíticos, espectros, características y resultados de anotación, modelando explícitamente el "quién, qué y cómo" de la generación de datos.
• Modelo Semántico para MS/MS: Un esquema de gráfico que integra datos MS/MS semiestructurados con términos de vocabulario controlado (ChEBI, NCBITaxon, ENVO) mientras mantiene la procedencia explícita mediante PROV-O.
• Estrategia UAI: Un mecanismo para la vinculación entre flujos de trabajo y la ingesta incremental de datos que supera las limitaciones de los identificadores monolíticos en paisajes de datos fragmentados.
• Implementación: Una implementación funcional utilizando OpenLink Virtuoso (elegido sobre Apache Jena por su escalabilidad con ~10 millones de triples por lote) y un repositorio público de código fuente.

Resultados y Evaluación
El marco se evaluó mediante cuatro Preguntas de Competencia (CQ) utilizando consultas SPARQL para probar su capacidad de apoyar la exploración entre conjuntos de datos:

1. Integración Contextual: Vinculó con éxito las anotaciones moleculares de GNPS a metadatos de muestras armonizados (Pan-ReDU), organismos de origen (NCBITaxon) y protocolos de adquisición, demostrando la capacidad de transitar desde resultados analíticos hasta contexto biológico.
2. Estratificación de Calidad: Permitió la agregación y filtrado de puntuaciones de confianza de anotación (por ejemplo, puntuaciones de coseno modificadas, picos compartidos) a través de diferentes estudios e instrumentos, tratando los descriptores de identificación como entidades de primera clase en lugar de columnas de tablas planas.
3. Consistencia Taxonómica: Permitió la comparación de taxonomías complementarias (ClassyFire y NPClassifier) en todas las colecciones simultáneamente, identificando clases químicas co-ocurrentes y vías biosintéticas.
4. Metabolómica Inversa: Recuperó con éxito todos los estudios públicos donde se observó un compuesto específico (identificado por InChIKey), agregando tipos de muestras y organismos de origen en los repositorios integrados.

Los resultados demuestran que la integración basada en gráficos apoya la reutilización trazable de anotaciones y la exploración reproducible mediante SPARQL de relaciones bioquímicas que permanecen fragmentadas en recursos nativos de repositorios.

Significancia
El artículo afirma que MetaboKG aborda una brecha crítica en la metabolómica al proporcionar una alternativa cumplidora de FAIR (Encontrable, Accesible, Interoperable, Reutilizable) a los scripts ad hoc y las transformaciones de archivos. Demuestra que los lenguajes y ontologías de la web semántica actuales, cuando se combinan adecuadamente, pueden cubrir las necesidades de integración de datos MS/MS semiestructurados. Al desplazar el paradigma desde la representación basada en tablas hacia una capa semántica unificada, MetaboKG permite el descubrimiento de relaciones bioquímicas que de otro modo permanecerían ocultas cuando los recursos se analizan de forma aislada. Los autores posicionan esto como un paso fundamental hacia un ecosistema de metabolómica más interconectado, donde la procedencia analítica y los metadatos contextuales son centrales para la reutilización de datos. Se identifica como trabajo futuro la adopción de LinkML para unificar el proceso de generación de esquemas y evitar la deriva entre la ontología, RML y los artefactos de código.