Anal Chem：计算算法偏差——非靶向代谢组学中，自动化数据处理导致的定量偏差

代谢组学为疾病早期诊断，生物通路研究等等提供了大量重要信息。质谱（mass spectrometry）凭借高通量的数据采集和处理模式，被广泛应用于定量代谢组学研究中。代谢组定量分析的过程伴随着多种多样的偏差来源，根据来源的性质，通常意义上可被分为两类：来自于生物样品的偏差（biological variation）, 例如个体性别、年龄等，以及来源于分析方法的偏差（analytical variation），例如仪器采集数据的信号偏差。偏差会导致样品组内的相对标准偏差（relative standard deviation）增加，阻碍对于潜在生物标志物的发现。

近期，英属哥伦比亚大学还涛教授（点击查看介绍）课题组报道了一种被广泛忽视的定量测量偏差来源：自动化数据处理导致的定量偏差，并命名为计算算法偏差 （computational variation）。该工作系统阐述了该偏差来源的特性，并提出了完整的解决方案以最小化该偏差，获得了更好的定量分析结果。相关成果发表在国际化学权威杂志Analytical Chemistry 上。

在代谢组学领域，由于检测到的代谢物信号数量庞大（＞2000个每样品），人们通常依赖于计算机软件或程序算法，对液相色谱-质谱联用的原始数据进行自动化的信号采集，获得峰高或峰面积等定量分析数据。然而，现有的计算机算法难以精准确定峰高峰面积，尤其当化合物峰形较差时。因此，利用计算机自动处理数据会导致偏差，即计算算法偏差。这种偏差仅存在于计算算法被广泛应用的组学领域中。在此工作中，还涛教授课题组首先利用标准样品，阐述了计算算法偏差的存在（图1）。该实验选择了一款领域内常用的数据分析软件，MS-DIAL，说明了计算软件的使用会导致测量的相对标准偏差增加1-2%，意味着定量分析的可重复性下降。

图1. 计算算法偏差对于定量测量的影响

进一步地，该工作系统性分析了影响计算算法偏差的多种因素，包括样品类型、样品浓度、样品溶剂、液相色谱柱类型、数据处理软件等。其中，样品浓度和数据处理软件为主要影响因素，而其他因素均没有显著影响。样品浓度对于峰形有明显的影响，在低浓度时，峰形往往较差，因此软件更难确定峰面积，导致偏差增加。另外，不同的数据处理软件对于峰面积或峰高的测量，有着完全不同的机理，因此也会导致不同的偏差。在本研究中，两款软件，MS-DIAL以及XCMS具有不同的表现，MS-DIAL对于峰高的测定更加精确，而XCMS对于峰面积的测定更加精确。

由于定量测定通常会在峰面积与峰高中选择一种进行，该工作探索了哪种方法具有更低的计算算法偏差，从而在数据分析中可以选择偏差更小的方法。实验证明，对于给定的数据处理软件，峰高或峰面积的计算算法偏差，与样品浓度有明显关系。在此基础上，该工作提出了新的分析工作流程PHPA_precision（图2）。该流程包括数据采集、峰高和峰面积选择、数据转换三个模块。其原理是，通过对每个样品中每一个代谢物进行分析，在峰高和峰面积中进行选择，偏差较低的一个将被用于定量分析。为了解决峰高和峰面积无法直接比较的问题，该工作利用质量控制样品（quality control sample），将峰高和峰面积均转换为进样量（微升），实现了峰面积与峰高的统一。

图2. PHPA工作流程图

最后，该工作流程被应用于一项医学研究。该研究旨在揭示化疗对于白血病患者血液循环系统的影响（图3）。实验证明，PHPA_precision可以有效降低计算算法偏差，因而减小了总测量偏差。在此基础上，显著性检验（如t检验）的结果会更加准确。在使用该工作流程后，t检验的p值有了明显降低。与传统方法相比，该工作流程成功发现了新的潜在生物标志物，乙酰甘氨酸和谷氨酸。

图3 工作流程应用

小结

研究人员首次提出了计算算法偏差，并系统性阐述了该偏差与常规意义上的分析偏差的区别，阐述并证明了影响计算算法偏差的两个重要因素：数据处理软件以及样品浓度。针对于该偏差在代谢组学领域中的普遍存在，该工作提出了新的工作流程以最小化计算算法偏差。该工作流程被应用于研究“化疗对于白血病患者血液循环系统的影响”，发现了新的潜在生物标志物，证明了该工作流程对于生物医学研究的重要意义。研究人员期望在该生物信息学工具的帮助下，基于质谱的代谢组学研究结果可以更加可靠，从而促进在生物，医学领域中对于代谢过程的研究。

英属哥伦比亚大学的博士生于华旭为第一作者，还涛教授为通讯作者。

原文（扫描或长按二维码，识别后直达原文页面，或点此查看原文）：

Computational Variation: An Underinvestigated Quantitative Variability Caused by Automated Data Processing in Untargeted Metabolomics

Huaxu Yu, Ying Chen, and Tao Huan*

Anal. Chem., 2021, 93, 8719–8728, DOI: 10.1021/acs.analchem.0c03381

导师介绍

还涛

https://www.x-mol.com/groups/huan_tao