文献

J-GLOBAL ID：201902221443325820   整理番号：19A0886930

非標的LC-MS代謝ミクスデータのためのネットワークマーカー選択【JST・京大機械翻訳】

Network Marker Selection for Untargeted LC-MS Metabolomics Data

著者 (4件)： Cai Qingpo (Department of Biostatistics and Bioinformatics, Emory University) ,  Alvarez Jessica A. (Department of Medicine, Emory University) ,  Kang Jian (Department of Biostatistics, University of Michigan, Michigan, United States) ,  Yu Tianwei (Department of Biostatistics and Bioinformatics, Emory University)
資料名： Journal of Proteome Research  (Journal of Proteome Research)
巻： 16  号： 3  ページ： 1261-1269  発行年： 2017年 
JST資料番号： A1632A  ISSN： 1535-3893  CODEN： JPROBS  資料種別： 逐次刊行物 (A)
記事区分： 原著論文  発行国： アメリカ合衆国 (USA)  言語： 英語 (EN)

抄録/ポイント： 高分解能液体クロマトグラフィー-質量分析(LC-MS)を用いた非標的メタボロミクスは,ハイスループット生物学の主要分野の1つになっている。代謝経路またはゲノム規模代謝ネットワークに基づくデータを分析する機能解析は,代謝データの特徴選択と解釈において重要である。機能解析における主な課題の一つは,LC-MSデータそのものにおける特徴の同一性の欠如である。既知の代謝産物から誘導された理論値に対する特徴の質量対電荷比(m/z)値を整合させることにより,いくつかの特徴を1つまたはそれ以上の既知代謝産物に適合させることができる。複数の照合が起こるとき,ほとんどの場合において,マッチングの1つだけが真である。同時に,いくつかの既知代謝産物は測定に欠けている。現在のネットワーク/経路分析法は代謝産物同定と欠落した観察における不確実性を無視しており,それは有意なサブネットワーク/経路の選択における誤差をもたらす可能性がある。本論文では,メタボロミクスデータをゲノムスケールの代謝ネットワークと組み合わせた柔軟なネットワーク特徴選択フレームワークを提案した。この方法は,逐次特徴スクリーニング手順と機械学習ベースの基準を採用し,重要なサブネットワークを選択し,同時に最適特徴マッチングを同定する。シミュレーション研究は,提案方法が一般的に使用されている最大マッチング手法よりはるかに高い感度を有することを示した。実証のために,著者らは,体重指数(BMI)に関連するサブネットワークを検出するために,健常被験者のコホートにこの方法を適用した。この方法は,現在の文献で支持されているいくつかのサブネットワークを同定し,妥当な新しい機能的意味を持ついくつかのサブネットワークを検出する。Rコードはhttp://web1.sph.emory.edu/users/tyu8/MSSで利用可能である。Copyright 2019 American Chemical Society All rights reserved. Translated from English into Japanese by JST.【JST・京大機械翻訳】

シソーラス用語： スクリーニング ,  代謝産物 ,  シミュレーション ,  HPLC-MS分析 ,  *代謝 ,  *ネットワーク ,  代謝経路 ,  *LC-MS分析 ,  マッチング ,  機能分析 ,  機械学習 ,  母集団 ,  ゲノム
準シソーラス用語： サブネットワーク ,  ハイスループット ,  メタボロミクス , 【Automatic Indexing@JST】

著者キーワード (3件)： 代謝ネットワークデータ ,  最適マッチング ,  特徴選択

分類 (3件)： 代謝一般  (EB02030C) ,  有機化合物の各種分析  (CC08034J) ,  数値計算  (JE02000J)

タイトルに関連する用語 (5件)： 標的 ,  LC-MS ,  代謝 ,  ミクス ,  マーカー