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

Resumo Técnico: MetaboKG

Declaração do Problema
A metabolômica não direcionada gera vastas quantidades de dados de espectrometria de massa em tandem (MS/MS) e anotações computacionais. Embora repositórios públicos como GNPS/MassIVE, MetaboLights e o Metabolomics Workbench tenham se expandido, o campo enfrenta um problema crítico de fragmentação. Os dados permanecem dispersos em repositórios heterogêneos com lógicas de submissão, formatos de arquivo e práticas de metadados distintos. Embora iniciativas como o Pan-ReDU tenham melhorado a harmonização de metadados, a camada analítica permanece desconectada: espectros, características, saídas de fluxo de trabalho, anotações, escores de confiança e metadados contextuais estão frequentemente presos em artefatos tabulares (por exemplo, CSVs) ou exportações isoladas de repositórios. Essa fragmentação impede a reutilização rastreável de anotações, dificulta a comparação entre estudos e obscurece relações bioquímicas que exigem a integração de dados químicos com contexto biológico e ambiental. As abordagens semânticas atuais frequentemente focam em coleções curadas ou interpretações biológicas específicas a jusante, deixando uma lacuna na integração sistemática de dados públicos heterogêneos de metabolômica não direcionada com suas saídas analíticas nativas e proveniência.

Metodologia
Os autores apresentam o MetaboKG, um framework de grafo de conhecimento centrado na análise projetado para engenharia de conhecimento de metabolômica reutilizável a partir de repositórios públicos. A metodologia é construída sobre três pilares coordenados:

1. Modelagem Semântica e Integração de Ontologias:

   • Núcleo de Proveniência: O framework é fundamentado na ontologia PROV-O para modelar explicitamente a coleta de dados, atividades de fluxo de trabalho e agentes, garantindo rastreabilidade. Os autores evitaram deliberadamente o SOSA para priorizar a representação do fluxo de trabalho de dados sobre processos de transformação biológica.
   • Pilha de Ontologias: O modelo utiliza um conjunto restrito, mas estruturado, de ontologias: MS (Espectrometria de Massa) para conceitos de domínio (estendidos para características de metabolômica), SIO (Ciência Semântica) para relações genéricas e padrões n-ários, ChEBI para entidades químicas, NCBITaxon para organismos, ENVO para contexto ambiental e NCIT para descritores de amostra.
   • Relações N-árias: Para lidar com metadados complexos, o framework emprega um padrão de relação n-ária usando recursos intermediários. Isso permite que os valores carreguem contexto semântico (via rdf:type) em vez de serem literais simples, reduzindo a complexidade do grafo por meio de estratégias de deduplicação para vocabulários controlados, enquanto mantém trilhos de proveniência distintos para cada fluxo de trabalho.
   • Design de Metadados: Afastando-se do modelo completo ISA-Tab devido a limitações de alinhamento e cobertura esparsa de metadados, os autores adotaram um modelo personalizado focando na descrição da amostra, organismo de origem e protocolo experimental, vinculados por um processo de amostragem artesanal.

2. Fluxo de Transformação:

   • Harmonização de Metadados: O sistema ingere metadados de amostra e estudo do Pan-ReDU, que agrega dados do GNPS, MetaboLights e NMDR. Um fluxo de trabalho semi-automático mapeia termos não controlados para ontologias (usando EBI OLS4) e analisa metadados composicionais (por exemplo, solventes de extração) em parâmetros estruturados. Entidades de organismos são construídas como indivíduos compostos agregando oito colunas contextuais, alcançando uma redução de 98,4% na redundância tabular.
   • Extração de Saída Analítica: O framework processa 680 resultados de redes moleculares do GNPS (tanto MN quanto FBMN) derivados de 2.141 artigos de acesso aberto. Um Modelo de Linguagem Grande (LLM) é empregado para extrair IDs de conjuntos de dados MassIVE e identificadores de trabalhos do GNPS da literatura, preenchendo a lacuna entre metadados de repositório e saídas analíticas.
   • Ingestão de Dados: Saídas CSV do GNPS são harmonizadas coluna por coluna usando três estratégias: mapeamento direto para nós tipados, mapeamento literal e consulta a ontologias.

3. Identificador Universal de Anotação (UAI):

   • Para abordar o desafio de vincular saídas heterogêneas, o MetaboKG introduz o UAI, uma extensão do Identificador Universal de Espectro (USI).
   • O UAI decompõe identificadores em componentes reutilizáveis (ID de coleção, arquivo, varredura, correspondência, característica). Isso suporta vinculação tardia e ingestão incremental, permitindo que conjuntos de dados e anotações sejam vinculados post-hoc através de fragmentos de identificadores compartilhados, mesmo que os metadados sejam esparsos.
   • O sistema usa URIs determinísticas (PrefixoGlobal + conceito legível por humanos + hash) para garantir estabilidade e reprodutibilidade sem depender de registros externos.

Principais Contribuições

• Framework Centrado na Análise: Uma abordagem inovadora que desloca o foco de exportações isoladas de repositórios para uma estrutura de grafo unificada onde entidades analíticas, metadados e proveniência são consultados conjuntamente.
• Transformação Preservadora de Proveniência: Um fluxo de trabalho que preserva links entre exportações de repositório, arquivos analíticos, espectros, características e resultados de anotação, modelando explicitamente o "quem, o quê e como" da geração de dados.
• Modelo Semântico para MS/MS: Um esquema de grafo que integra dados MS/MS semi-estruturados com termos de vocabulário controlado (ChEBI, NCBITaxon, ENVO) enquanto mantém proveniência explícita via PROV-O.
• Estratégia UAI: Um mecanismo para vinculação entre fluxos de trabalho e ingestão incremental de dados que supera as limitações de identificadores monolíticos em paisagens de dados fragmentadas.
• Implementação: Uma implementação funcional usando OpenLink Virtuoso (escolhido em detrimento do Apache Jena para escalabilidade com ~10 milhões de triplas por lote) e um repositório público de código-fonte.

Resultados e Avaliação
O framework foi avaliado através de quatro Questões de Competência (CQs) usando consultas SPARQL para testar sua capacidade de suportar exploração entre conjuntos de dados:

1. Integração Contextual: Conectou com sucesso anotações moleculares do GNPS a metadados de amostra harmonizados (Pan-ReDU), organismos de origem (NCBITaxon) e protocolos de aquisição, demonstrando a capacidade de navegar de resultados analíticos para contexto biológico.
2. Estratificação de Qualidade: Permitiu a agregação e filtragem de escores de confiança de anotação (por exemplo, escores de cosseno modificados, picos compartilhados) entre diferentes estudos e instrumentos, tratando descritores de identificação como entidades de primeira classe em vez de colunas de tabelas planas.
3. Consistência Taxonômica: Permitiu a comparação de taxonomias complementares (ClassyFire e NPClassifier) em todas as coleções simultaneamente, identificando classes químicas co-ocorrentes e vias biossintéticas.
4. Metabolômica Reversa: Recuperou com sucesso todos os estudos públicos onde um composto específico (identificado por InChIKey) foi observado, agregando tipos de amostra e organismos de origem entre os repositórios integrados.

Os resultados demonstram que a integração baseada em grafos suporta a reutilização rastreável de anotações e a exploração SPARQL reprodutível de relações bioquímicas que permanecem fragmentadas em recursos nativos de repositórios.

Significado
O artigo afirma que o MetaboKG aborda uma lacuna crítica na metabolômica, fornecendo uma alternativa conforme FAIR (Encontrável, Acessível, Interoperável, Reutilizável) a scripts ad-hoc e transformações de arquivo. Ele demonstra que linguagens e ontologias da web semântica atuais, quando adequadamente combinadas, podem cobrir as necessidades de integração de dados MS/MS semi-estruturados. Ao deslocar o paradigma da representação baseada em tabelas para uma camada semântica unificada, o MetaboKG permite a descoberta de relações bioquímicas que, de outra forma, permaneceriam ocultas quando os recursos são analisados isoladamente. Os autores posicionam isso como um passo fundamental em direção a um ecossistema de metabolômica mais interconectado, onde a proveniência analítica e os metadados contextuais são centrais para a reutilização de dados. O trabalho futuro é identificado como a adoção do LinkML para unificar o processo de geração de esquema e evitar desvios entre ontologia, RML e artefatos de código.