Positive-Unlabeled Learning for Predicting Small Molecule MS2 Identifiability from MS1 Context and Acquisition Parameters

Technische Samenvatting: Positive-Unlabeled Learning voor het Voorspellen van de MS2-identificeerbaarheid van Kleine Moleculen

Probleemstelling
In de ongerichte metabolomics is de kwaliteit van tandemmassaspectra (MS2) de primaire determinant voor de identificeerbaarheid van metabolieten. Het optimaliseren van MS2-acquisitieparameters via experimenteel trial-and-error is echter kostbaar, tijdrovend en onpraktisch gezien de enorme diversiteit aan monsters en instrumenten. Een kritieke barrière voor het ontwikkelen van computationele oplossingen voor kwaliteitsbeoordeling is het ontbreken van betrouwbare negatieve labels. De meeste MS2-spectra blijven ongeannoteerd, niet omdat ze van lage kwaliteit zijn, maar omdat de bijbehorende verbindingen niet aanwezig zijn in referentielibraries. Deze "label ambiguïteit" maakt standaard supervised learning-benaderingen ineffectief, aangezien het model geen onderscheid kan maken tussen spectra van lage kwaliteit en spectra van hoge kwaliteit van onbekende verbindingen. Bijgevolg wordt het maken van realtime beslissingen tijdens data-acquisitie over welke scans prioriteit moeten krijgen, momenteel bemoeilijkt.

Methodologie
Om het gebrek aan negatieve labels aan te pakken, formuleren de auteurs het probleem als Positive-Unlabeled (PU) learning. Het voorgestelde framework is een deep learning-model dat is ontworpen om de waarschijnlijkheid te voorspellen dat een MS2-scan identificeerbaar zal zijn met behulp van alleen het voorafgaande MS1-spectrum en de instrumentale acquisitieparameters, zonder het MS2-spectrum zelf te inspecteren.

De kern van de technische innovatie ligt in het gebruik van een niet-negatieve positive-unlabeled objectief. Deze specifieke verliesfunctie maakt robuuste training mogelijk ondanks de ontbrekende negatieve labels door de ongelabelde data te behandelen als een mengeling van positieve en negatieve instanties, in plaats van ervan uit te gaan dat alle ongelabelde data negatief zijn. Het model werd getraind op een enorme dataset bestaande uit meer dan acht miljoen MS2-scans afkomstig van publieke Orbitrap metabolomics-datasets.

Belangrijkste Bijdragen

1. Nieuwe Probleemformulering: Het artikel herformuleert de voorspelling van MS2-identificeerbaarheid als een PU learning-taak, wat direct de fundamentele beperking van ontbrekende negatieve labels in de metabolomics aanpakt.
2. Contextbewuste Voorspelling: Het model voorspelt succesvol de identificeerbaarheid op basis van enkel de precursor-context (MS1) en de acquisitie-instellingen, waardoor inspectie van spectrale data na de acquisitie overbodig wordt.
3. Robuust Trainingsdoel: De implementatie van een niet-negatief PU-objectief maakt effectieve modeltraining mogelijk in afwezigheid van grondwaarheid-negatieve voorbeelden.
4. Open Bronnen: De auteurs stellen de code, modelgewichten en bewerkte datasets beschikbaar om reproduceerbaarheid en verder onderzoek te faciliteren.

Resultaten
Het model werd geëvalueerd op laboratorium-disjuncte benchmarks om de generaliseerbaarheid te waarborgen. Belangrijkste bevindingen zijn onder meer:

• Hoge Recovery Rate: Het model herstelde 90% van de bekende identificeerbare spectra in een onafhankelijke testset.
• Generalisatie: Voorspelde waarschijnlijkheden generaliseerden effectief naar ongeziene laboratoria, wat duidt op robuustheid over verschillende experimentele instellingen heen.
• Fysisch-chemische Stratificatie: Het model stratificeerde ongelabelde spectra succesvol op een wijze die consistent is met fysisch-chemische eigenschappen.
• Onafhankelijke Validatie: Hoge voorspelde waarschijnlijkheden correleerden onafhankelijk met:
  • Verhoogde structurele verklaarbaarheid.
  • Rijkere fragmentatiepatronen.
  • Canonieke precursor ladingstoestanden.
  • Verminderde spectrale interferentie.

Betekenis
Het artikel stelt dat MS2-identificeerbaarheid uitsluitend kan worden voorzien op basis van de precursor-context en de acquisitie-instellingen. Door de label ambiguïteit te overwinnen die het supervised learning in dit domein historisch gezien heeft beperkt, biedt dit framework een computationeel efficiënte methie om de spectrale kwaliteit te beoordelen. Deze capaciteit heeft het potentieel om besluitvorming tijdens de acquisitie te informeren, waardoor onderzoekers instrumentparameters kunnen optimaliseren of specifieke scans voor identificatie kunnen prioriteren zonder de prohibitieve kosten van uitputtende experimentele optimalisatie.