New strategies based on machine learning and cheminformatics for untargeted metabolomics data annotation

Abstract

Els experiments de metabolómica no dirigida generen entre centenars i milers de senyals iónics de metabólits;T]a cerca en biblioteques de referencia és el métode principal pera la identificació de compostos. Ara bé, només una petita fracció de les senyals detectades s'anoten coma compostos coneguts. Encara que la disponibilitat de biblioteques i estándards de referencia ha augmentat en els últims anys, continuen sent insuficients. Aquesta tesi pretén desenvolupar noves estratégies computacionals basades en métodes d'aprenentatge automátic (ML) i quimioinformática com a alternatives fiables a les biblioteques en l'anotació metabolómica no dirigida. A més, la tesi pretén aplicar i validar aquestes estratégies en experiments de metabolómica no dirigida. La tesi es divideix en dues parts principals. En primer lloc, es va desenvolupar un algorisme denomina! anotació de fragments basada en estructura (SBFA) pera guiar la identificació de metabólits basant-se en l'anotació de fragments de la font a nivell MS1 sense utilitzar biblioteques MS/MS de referencia. En segon lloc, es va avaluar l'ús de models ML pera predir propietats moleculars, com els valors de l'index de retenció (RI) i la secció transversal de col·lisió (CCS).

Los experimentos de metabolómica no dirigida generan entre cientos y miles de señales iónicas de metabolitos, y la búsqueda en biblio.ecas de referencia es el método principal para la identificación de compuestos Sin embargo, solo una pequeña fracción de las señales detectadas se anotan como compuestos conocidos. Aunque la disponibilidad de bibliotecas y estándares de referencia ha aumentado en los últimos años. siguen siendo insuficientes. Esta tesis pretende desarrollar nuevas estrategias computacionales basadas en métodos de aprendiza¡e automático (ML) y quimioinformática como alternativas fiables a las bibliotecas para la anotación de metabolómica no dirigida. Además, la tesis pretende aplicar y validar estas estrategias en experimentos de metabolómica no dirigida. La tesis se divide en dos partes principales. En primer lugar, se desarrolló un algoritmo denominado anotación de fragmentos basada en estructura (SBFA) para guiar la identificación de metabolitos basándose en la anotación de fragmentos de la fuente a nivel MS1 sin utilizar bitiliotecas MSIMS de referencia.

Untargeted metabolomics experiments generate hundreds to thousands ot ion signals trom metabolites, and reterence library searching is the primary method for compound identification. However, only a small portion of the detected signals are annotated as known compounds. Although the availability of reference libraries and reference standards has increased in recent years, they are still insufficient. This thesis aims to develop new computational strategies based on machine learning (ML) and chemoinformatics methods as reliable alternatives to libraries in untargeted metabolomics annotation. Also, the thesis aims to apply and validate these strategies in untargeted metabolomics experiments. The thesis is divided into two main parts. First, an algorithm called Structure-based fragment annotation (SBFA) was developed to guide the identification of metabolites based on the annotation of in-source fragments al the MS1 leve! without using reference MSIMS librarles. Second, the use of ML models to predict molecular properties, such as retention index (RI) and Collision Cross Section (CCS) values, was assessed. A framework for applying these predicted values for metabolite annotation was provided, which is of special utility in the absence of reference data.