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

기술 요약: MetaboKG

문제 제기
비표적 대사체학은 방대한 양의 탠덤 질량 분석 (MS/MS) 데이터와 계산적 주석을 생성합니다. GNPS/MassIVE, MetaboLights, Metabolomics Workbench 와 같은 공개 저장소가 확장되었음에도 불구하고, 이 분야는 심각한 분열 문제에 직면해 있습니다. 데이터는 제출 논리, 파일 형식, 메타데이터 관행이 서로 다른 이질적인 저장소들에 흩어져 있습니다. Pan-ReDU 와 같은 이니셔티브가 메타데이터 조화를 개선했지만, 분석 계층은 여전히 단절되어 있습니다. 스펙트럼, 특징, 워크플로우 출력, 주석, 신뢰도 점수, 그리고 문맥적 메타데이터는 종종 CSV 와 같은 표 형식 산출물이나 고립된 저장소 내보내기 속에 갇혀 있습니다. 이러한 분열은 주석의 추적 가능한 재사용을 방해하고, 연구 간 비교를 저해하며, 화학 데이터와 생물학적 및 환경적 문맥의 통합이 필요한 생화학적 관계를 흐리게 만듭니다. 현재의 시맨틱 접근법은 큐레이션된 컬렉션이나 특정 하류 생물학적 해석에 초점을 맞추는 경우가 많아, 이질적인 공개 비표적 대사체학 데이터와 그 고유한 분석 출력물 및 출처를 체계적으로 통합하는 데에는 공백이 존재합니다.

방법론
저자들은 공개 저장소에서 재사용 가능한 대사체학 지식을 설계하기 위해 분석 중심의 지식 그래프 프레임워크인 MetaboKG를 제시합니다. 이 방법론은 세 가지 조율된 기둥 위에 구축되었습니다:

1. 시맨틱 모델링 및 온톨로지 통합:

   • 출처 핵심: 이 프레임워크는 데이터 수집, 워크플로우 활동, 에이전트를 명시적으로 모델링하여 추적 가능성을 보장하는 PROV-O 온톨로지에 기반합니다. 저자들은 생물학적 변환 과정보다 데이터 워크플로우 표현을 우선시하기 위해 SOSA 를 의도적으로 피했습니다.
   • 온톨로지 스택: 이 모델은 제한적이지만 구조화된 온톨로지 세트를 활용합니다: 도메인 개념을 위한 MS(질량 분석, 대사체학 특징을 위해 확장됨), 일반적 관계 및 n-항 패턴을 위한 SIO(시맨틱 과학), 화학적 개체를 위한 ChEBI, 생물을 위한 NCBITaxon, 환경적 문맥을 위한 ENVO, 그리고 샘플 설명자를 위한 NCIT입니다.
   • n-항 관계: 복잡한 메타데이터를 처리하기 위해, 이 프레임워크는 중간 리소스를 사용하는 n-항 관계 패턴을 채택합니다. 이는 값이 단순 리터럴이 아닌 rdf:type을 통해 시맨틱 문맥을 갖도록 하여, 통제된 어휘에 대한 중복 제거 전략을 통해 그래프 복잡성을 줄이면서도 각 워크플로우에 대한 고유한 출처 경로를 유지합니다.
   • 메타데이터 설계: 정렬의 한계와 희소한 메타데이터 커버리지로 인해 전체 ISA-Tab 모델 대신, 저자들은 샘플 설명, 출처 생물, 실험 프로토콜에 초점을 맞춘 맞춤형 모델을 채택했으며, 이는 수동으로 제작된 샘플링 과정을 통해 연결됩니다.

2. 변환 워크플로우:

   • 메타데이터 조화: 이 시스템은 GNPS, MetaboLights, NMDR 에서 데이터를 집계하는 Pan-ReDU로부터 샘플 및 연구 메타데이터를 수신합니다. 반자동 워크플로우는 통제되지 않은 용어를 온톨로지 (EBI OLS4 사용) 에 매핑하고, 추출 용제와 같은 구성성 메타데이터를 구조화된 파라미터로 구문 분석합니다. 생물 개체는 여덟 개의 문맥 열을 집계하는 복합 개체로 구성되어, 표 형식 중복을 98.4% 감소시킵니다.
   • 분석 출력 추출: 이 프레임워크는 2,141 편의 오픈 액세스 논문에서 파생된 680 개의 GNPS 분자 네트워킹 결과 (MN 및 FBMN 모두) 를 처리합니다. 대규모 언어 모델 (LLM) 이 문헌에서 MassIVE 데이터셋 ID 와 GNPS 작업 식별자를 추출하여 저장소 메타데이터와 분석 출력물 간의 간극을 메우는 데 활용됩니다.
   • 데이터 수집: GNPS 의 CSV 출력물은 세 가지 전략 (유형화된 노드로의 직접 매핑, 리터럴 매핑, 온톨로지 조회) 을 사용하여 열별로 조화됩니다.

3. 범용 주석 식별자 (UAI):

   • 이질적인 출력물을 연결하는 과제를 해결하기 위해, MetaboKG 는 범용 스펙트럼 식별자 (USI) 의 확장인 UAI를 도입합니다.
   • UAI 는 식별자를 (컬렉션 ID, 파일, 스캔, 히트, 특징) 재사용 가능한 구성 요소로 분해합니다. 이는 지연 바인딩과 증분 수집을 지원하여, 메타데이터가 희소하더라도 공유된 식별자 조각을 통해 사후에 데이터셋과 주석을 연결할 수 있게 합니다.
   • 이 시스템은 외부 레지스트리에 의존하지 않고 안정성과 재현성을 보장하기 위해 결정론적 URI(GlobalPrefix + 인간이 읽을 수 있는 개념 + 해시) 를 사용합니다.

주요 기여

• 분석 중심 프레임워크: 고립된 저장소 내보내기에서 분석 개체, 메타데이터, 출처가 공동으로 조회되는 통합 그래프 구조로 초점을 이동시키는 새로운 접근법.
• 출처 보존 변환: 저장소 내보내기, 분석 파일, 스펙트럼, 특징, 주석 결과 간의 연결을 보존하고 데이터 생성의 '누가, 무엇을, 어떻게'를 명시적으로 모델링하는 워크플로우.
• MS/MS 를 위한 시맨틱 모델: ChEBI, NCBITaxon, ENVO 와 같은 통제된 어휘 용어와 반구조화된 MS/MS 데이터를 통합하면서 PROV-O 를 통해 명시적인 출처를 유지하는 그래프 스키마.
• UAI 전략: 분열된 데이터 환경에서 단일화 식별자의 한계를 극복하는 교차 워크플로우 연결 및 증분 데이터 수집을 위한 메커니즘.
• 구현: 확장성 (배당당 약 1,000 만 개의 트립플) 을 위해 Apache Jena 대신 OpenLink Virtuoso를 선택한 기능적 구현 및 공개 소스 코드 저장소.

결과 및 평가
이 프레임워크는 SPARQL 쿼리를 사용하여 데이터셋 간 탐색을 지원할 수 있는 능력을 테스트하는 네 가지 **역량 질문 (CQ)**을 통해 평가되었습니다:

1. 문맥적 통합: GNPS 분자 주석을 조화된 샘플 메타데이터 (Pan-ReDU), 출처 생물 (NCBITaxon), 그리고 획득 프로토콜에 성공적으로 연결하여, 분석 결과에서 생물학적 문맥으로의 탐색 능력을 입증했습니다.
2. 품질 계층화: 식별 설명자를 평평한 표 열이 아닌 1 급 개체로 취급하면서, 다른 연구와 기기 간 주석 신뢰도 점수 (예: 수정된 코사인 점수, 공유 피크) 의 집계 및 필터링을 가능하게 했습니다.
3. 분류학적 일관성: 모든 컬렉션에서 ClassyFire 와 NPClassifier 와 같은 보완적 분류학을 동시에 비교하여 공존하는 화학 클래스와 생합성 경로를 식별할 수 있게 했습니다.
4. 역대사체학: 특정 화합물 (InChIKey 로 식별됨) 이 관찰된 모든 공개 연구를 성공적으로 검색하여, 통합된 저장소 전반에 걸쳐 샘플 유형과 출처 생물을 집계했습니다.

이 결과는 그래프 기반 통합이 저장소 고유 자원 내에서 분열되어 있는 생화학적 관계에 대한 추적 가능한 주석 재사용과 재현 가능한 SPARQL 탐색을 지원함을 보여줍니다.

의의
본 논문은 MetaboKG 가 임시 스크립트와 파일 변환에 대한 FAIR 준수(찾기 쉬움, 접근성, 상호 운용성, 재사용성) 대안을 제공함으로써 대사체학의 중요한 공백을 해소한다고 주장합니다. 이는 적절하게 결합될 때 현재의 시맨틱 웹 언어와 온톨로지가 반구조화된 MS/MS 데이터의 통합 요구를 충족시킬 수 있음을 보여줍니다. 표 기반 표현에서 통합된 시맨틱 레이어로 패러다임을 전환함으로써, MetaboKG 는 자원이 고립적으로 분석될 때 숨겨지는 생화학적 관계의 발견을 가능하게 합니다. 저자들은 이를 분석적 출처와 문맥적 메타데이터가 데이터 재사용의 핵심이 되는 더 상호 연결된 대사체학 생태계로의 기초적인 단계로 위치시킵니다. 향후 작업은 온톨로지, RML, 코드 산출물 간의 편차를 방지하기 위해 LinkML을 채택하여 스키마 생성 과정을 통합하는 것으로 식별되었습니다.