Un método de aprendizaje profundo de extremo a extremo para el análisis de datos de espectrometría de masas que revela perfiles metabólicos específicos de enfermedades

El análisis metabolómico no dirigido utilizando espectrometría de masas proporciona perfiles metabólicos integrales, pero su aplicación médica enfrenta desafíos de procesamiento de datos complejos, alta variabilidad inter-lotes y metabolitos no identificados. Aquí, presentamos DeepMSProfiler, un método basado en aprendizaje profundo explicable, que permite un análisis de extremo a extremo en señales metabólicas crudas con un output de alta precisión y fiabilidad. Usando muestras de suero humano de 859 individuos de diferentes hospitales, con adenocarcinoma de pulmón, nódulos pulmonares benignos y personas sanas, DeepMSProfiler logra diferenciar los perfiles metabolómicos de diferentes grupos (AUC 0.99) y detectar adenocarcinoma de pulmón en etapas tempranas (precisión 0.961). El flujo del modelo y los experimentos de ablación demuestran que DeepMSProfiler supera la variabilidad inter-hospitalaria y los efectos de las señales de metabolitos desconocidos. Nuestra estrategia de conjunto elimina fenómenos de categoría de fondo en modelos de aprendizaje profundo de clasificación múltiple, y la nueva interpretabilidad permite el acceso directo a redes metabolito-proteína relacionadas con enfermedades. Además, al aplicarlo a datos metabolómicos de lípidos, se revelan correlaciones de metabolitos y proteínas importantes. En general, DeepMSProfiler ofrece un método directo y fiable para el diagnóstico de enfermedades y el descubrimiento de mecanismos, mejorando su amplia aplicabilidad.