一种代谢途径重要性分析方法、装置及存储介质

摘要: 本技术涉及一种代谢途径重要性分析方法、装置及存储介质,属于生物信息学。背景技术:1、代谢途径是指在生物体内由酶催化的一系列化学反应,涉及众多代谢物,与能量代谢、...
一种代谢途径重要性分析方法、装置及存储介质

本技术涉及一种代谢途径重要性分析方法、装置及存储介质,属于生物信息学。

背景技术:

1、代谢途径是指在生物体内由酶催化的一系列化学反应,涉及众多代谢物,与能量代谢、物质合成和信号传导等生理功能密切相关,是维持生物体稳态和健康的关键基础。代谢组学研究致力于分析生物体内所有代谢物及其与生理病理变化的对应关系,是系统生物学的重要组成部分。目前,代谢组学与基因组学,转录组学,蛋白质组学等组学技术,已成为挖据重要代谢途径、阐释疾病机制阐释,助力药物开发及推动作物选育的关键工具,对医学、农学和生物技术等领域均有广泛的影响。

2、目前主流的基于质谱的非靶向代谢组学技术具有高灵敏度和覆盖度,能够全面系统地检测代谢组信息,从复杂生物样本中捕获丰富的代谢特征。然而,代谢组学数据利用率十分有限,导致代谢途径分析易产生偏向性。在非靶向代谢组学检测中,仅约1.8-20%的代谢特征可以获得结构注释(da silva r r, dorrestein p c, quinn r a. illuminatingthe dark matter in metabolomics[j]. proceedings of the national academy ofsciences, 2015, 112(41): 12549-12550.s;xing s, charron-lamoureux v, el abieady, et al. annotating full-scan ms data using tandem ms libraries[j]. biorxiv,2024.),且其中仅有少部分是途径代谢物,大量结构未知的代谢特征无法与代谢途径有效关联,限制了代谢途径分析的深度和准确性。

3、已有文献发表了相关研究。文献(li s, park y, duraisingham s, et al.predicting network activity from high throughput metabolomics[j]. ploscomputational biology, 2013, 9(7): e1003123.)发展的mummichog工具需要输入简化的代谢组学特征列表(具有保留时间的单个质荷比,即ms1)和统计学p值,以将特征划分为显著集以寻找相关kegg代谢途径的富集情况。然而,只使用ms1来匹配途径代谢物进行分析会降低置信度,即虽然提高了代谢特征利用率,但也容易产生代谢途径分析的偏向性。文献(wang x, li c, li z, et al. a structure-guided molecular network strategy forglobal untargeted metabolomics data annotation[j]. analytical chemistry,2023, 95(31): 11603-11612.)发展的sgmns工具基于结构相似性分子网络来注释代谢组学数据,将来源于hmdb和kegg等数据库的代谢物纳入注释背景网络从而提高途径代谢物的注释效果。然而,通过sgmns工具注释得到的途径代谢物仍不能覆盖代谢途径数据库的所有背景化合物。因此,目前文献报道的方法都无法从实验中较完整地获取途径代谢物的属性,这导致基于代谢组学数据进行的代谢途径分析产生偏向性。

技术实现思路

1、根据本技术的一个方面,提供了一种代谢途径重要性分析方法,该方法基于代谢知识图谱的属性补全,旨在解决非靶向代谢组学实验数据中途径代谢物注释率低导致的代谢途径分析的偏向性问题,提高代谢组学数据的利用率,能够准确计算代谢途径重要性。

2、所述代谢途径重要性分析方法,包括:

3、s1:基于代谢反应知识库构建背景代谢网络;通过高分辨质谱采集的非靶向代谢组学数据提取代谢特征,基于所述代谢特征与所述背景代谢网络中的代谢物进行反应预测,建立包含代谢物节点和代谢特征节点的初始代谢知识图谱;其中,所述背景代谢网络以代谢物为节点,以代谢物间可发生的代谢反应为边;所述代谢特征节点具有区分生物样本类型的贡献度评分属性,所述代谢物节点初始无所述贡献度评分属性;

4、s2:将所述初始代谢知识图谱输入基于图神经网络的属性补全模型,对所述代谢物节点的贡献度评分属性进行预测补全;

5、s3:提取带有代谢途径标签的代谢物属性,并计算代谢途径的重要性排名。

6、可选地,所述代谢反应知识库为开源代谢反应知识库。

7、可选地,所述开源代谢反应知识库包括但不限于kegg reaction知识库。

8、可选地,步骤s1中,所述高分辨质谱采集的非靶向代谢组学数据提取代谢特征包括:提取代谢特征的一级质谱ms1的信息和相应的二级质谱ms2的信息,以及用于区分生物样本类型的贡献度评分。

9、可选地,所述代谢特征的一级质谱ms1的提取以相对标准偏差小于30%作为过滤条件。

10、优选地,所述用于区分生物样本类型的贡献度评分由机器学习算法计算得到。

11、可选地,所述机器学习算法包括线性判别分析,支持向量机,k-近邻算法,偏最小二乘判别分析中的一种或者多种。

12、可选地,所述反应预测通过strp工具实现,若预测代谢特征与代谢物之间可发生反应,则在所述初始代谢知识图谱中添加二者的连边。

13、可选地,所述步骤s2中,所述图神经网络的输入为包含代谢物节点和代谢特征节点的图结构,输出为补全代谢物节点贡献度评分属性的图结构。

14、可选地,所述基于图神经网络的属性补全模型中图神经网络层包括但不限于图卷积神经网络、图注意力神经网络、图变压器神经网络中的一种或多种。

15、优选地,所述图神经网络包括依次连接的4头注意力图变压器神经网络层、1头注意力图变压器神经网络层和1头注意力图变压器神经网络层。

16、可选地,步骤s3包括:将补全了分类贡献度属性的代谢物映射至代谢途径数据库的人源代谢途径,结合所述代谢物的贡献度评分,计算标准化富集分数nes,并进行代谢途径排名。

17、可选地,所述代谢途径标签是指化合物对应于代谢途径数据库中的一条或多条代谢途径。

18、可选地,所述代谢途径数据库包括但不限于kegg数据库和humancyc数据库。

19、优选地,所述标准化富集分数nes的计算方法包括gsea算法。

20、根据本技术的又一个方面,提供了一种代谢途径重要性分析装置,包括:

21、数据处理模块,用于基于代谢反应知识库构建背景代谢网络;获取非靶向代谢组学数据,提取代谢特征并计算贡献度评分;

22、图谱构建模块,用于基于所述代谢特征与所述背景代谢网络中的代谢物进行反应预测,建立包含代谢物节点和代谢特征节点的初始代谢知识图谱;其中,所述背景代谢网络以代谢物为节点,以代谢物间可发生的代谢反应为边;所述代谢特征节点具有区分生物样本类型的贡献度评分属性,所述代谢物节点初始无所述贡献度评分属性;

23、属性补全模块,包括图神经网络层,用于对初始代谢知识图谱中的代谢物节点进行贡献度评分属性补全;

24、途径分析模块,用于将补全了分类贡献度属性的代谢物映射至代谢途径,并计算代谢途径的重要性排名。

25、可选地,所述图谱构建模块用于获取高分辨质谱采集的非靶向代谢组学数据,提取代谢特征的一级质谱ms1的信息和相应的二级质谱ms2的信息,以及用于区分生物样本类型的贡献度评分。

26、可选地,所述代谢特征的一级质谱ms1的提取以相对标准偏差小于30%作为过滤条件。

27、优选地,所述用于区分生物样本类型的贡献度评分由机器学习算法计算得到。

28、可选地,所述机器学习算法包括线性判别分析,支持向量机、k-近邻算法、偏最小二乘判别分析中的一种或者多种。

29、可选地,所述图谱构建模块包括strp工具,用于预测代谢特征与代谢物的反应,若预测代谢特征与代谢物之间可发生反应,则在所述初始代谢知识图谱中添加二者的连边。

30、可选地,所述属性补全模块的图神经网络的输入为包含代谢物节点和代谢特征节点的图结构,输出为补全代谢物节点贡献度评分属性的图结构。

31、可选地,所述图神经网络层包括图卷积神经网络、图注意力神经网络、图变压器神经网络中的一种或多种。

32、优选地,所述图神经网络包括依次连接的4头注意力图变压器神经网络层、1头注意力图变压器神经网络层和1头注意力图变压器神经网络层。

33、可选地,所述途径分析模块,用于将补全了分类贡献度属性的代谢物映射至代谢途径数据库的人源代谢途径,结合所述代谢物的贡献度评分,计算标准化富集分数nes,并进行代谢途径排名。

34、可选地,所述代谢途径标签是指化合物对应于代谢途径数据库中的一条或多条代谢途径。

35、可选地,所述代谢途径数据库包括但不限于kegg数据库和humancyc数据库。

36、可选地,所述标准化富集分数nes的计算方法包括gsea算法。

37、根据本技术的再一个方面,提供了一种计算机可读存储介质,其上存储有计算机程序,所述程序被处理器执行时实现上述代谢途径重要性分析方法中的部分或全部步骤。

38、本技术能产生的有益效果包括:

39、1)本技术所提供的代谢途径重要性分析方法及装置,通过将代谢组学获得的代谢特征与代谢途径数据库中的途径代谢物整合为代谢知识图谱,有效解决了代谢组学实验中代谢物注释数量少难以与代谢途径数据库关联的问题,可以准确地进行代谢途径重要性分析,为后续的相关生物学功能阐释提供帮助。

40、2)本技术所提供的代谢途径重要性分析方法及装置,构建了利用代谢特征信息来补全代谢物的属性的深度学习模型,基于图变压器的注意力机制,处理了代谢图谱的不规则图结构的信息,有效地对途径代谢物属性进行了补全,显著提高途径代谢物的利用率。

41、3)本技术所提供的代谢途径重要性分析方法及装置,使用的代谢途径重要性评分算法是基于途径代谢物的分类贡献度属性,相较于统计学

p值能够更全面地反应代谢物的真实状况,从而更准确地对代谢途径重要性进行评价。