BACKGROUND Metabolomics data, with its complex covariance structure, is typically modelled by projection-based machine learning (ML) methods such as partial least squares (PLS) regression, which project data into a latent structure. Biological data are often non-linear, so it is reasonable to hypothesize that metabolomics data may also have a non-linear latent structure, which in turn would be best modelled using non-linear equations. A non-linear ML method with a similar projection equation structure to PLS is artificial neural networks (ANNs). While ANNs were first applied to metabolic profiling data in the 1990s, the lack of community acceptance combined with limitations in computational capacity and the lack of volume of data for robust non-linear model optimisation inhibited their widespread use. Due to recent advances in computational power, modelling improvements, community acceptance, and the more demanding needs for data science, ANNs have made a recent resurgence in interest across research communities, including a small yet growing usage in metabolomics. As metabolomics experiments become more complex and start to be integrated with other omics data, there is potential for ANNs to become a viable alternative to linear projection methods. AIM OF REVIEW We aim to first describe ANNs and their structural equivalence to linear projection-based methods, including PLS regression. We then review the historical, current, and future uses of ANNs in the field of metabolomics. KEY SCIENTIFIC CONCEPT OF REVIEW Is metabolomics ready for the return of artificial neural networks?

中文翻译：

---

人工神经网络在代谢组学中的应用：历史观点。

背景技术具有复杂的协方差结构的代谢组学数据通常通过基于投影的机器学习（ML）方法（例如偏最小二乘（PLS）回归）建模，该方法将数据投影到潜在结构中。生物数据通常是非线性的，因此可以合理地假设代谢组学数据也可能具有非线性的潜在结构，而这种结构最好使用非线性方程式进行建模。具有与PLS相似的投影方程结构的非线性ML方法是人工神经网络（ANN）。虽然ANN在1990年代首次应用于代谢谱分析数据，但是由于缺乏社区认可以及计算能力的局限性以及缺乏用于可靠的非线性模型优化的数据量限制了它们的广泛使用。由于计算能力的最新发展，建模改进，社区接受度以及对数据科学的更苛刻需求之后，人工神经网络最近在研究社区中重新兴起兴趣，包括在代谢组学中的使用量仍在不断增长。随着代谢组学实验变得更加复杂并开始与其他组学数据集成，人工神经网络有可能成为线性投影方法的可行替代方案。回顾的目的我们旨在首先描述人工神经网络及其与基于线性投影的方法（包括PLS回归）的结构等价性。然后，我们回顾了ANN在代谢组学领域的历史，当前和未来用途。关键科学评论概念代谢组学是否准备好返回人工神经网络？人工神经网络最近在研究团体中引起了兴趣的兴起，其中包括在代谢组学中的少量使用，但仍在不断增长。随着代谢组学实验变得更加复杂并开始与其他组学数据集成，人工神经网络有可能成为线性投影方法的可行替代方案。回顾的目的我们旨在首先描述人工神经网络及其与基于线性投影的方法（包括PLS回归）的结构等价性。然后，我们回顾了ANN在代谢组学领域的历史，当前和未来用途。关键科学评论概念代谢组学是否准备好返回人工神经网络？人工神经网络最近在研究团体中引起了兴趣的兴起，其中包括在代谢组学中的少量使用，但仍在不断增长。随着代谢组学实验变得更加复杂并开始与其他组学数据集成，人工神经网络有可能成为线性投影方法的可行替代方案。回顾的目的我们旨在首先描述人工神经网络及其与基于线性投影的方法（包括PLS回归）的结构等价性。然后，我们回顾了ANN在代谢组学领域的历史，当前和未来用途。关键科学评论概念代谢组学是否准备好返回人工神经网络？人工神经网络有可能成为线性投影方法的可行替代方案。回顾的目的我们旨在首先描述人工神经网络及其与基于线性投影的方法（包括PLS回归）的结构等价性。然后，我们回顾了ANN在代谢组学领域的历史，当前和未来用途。关键科学评论概念代谢组学是否准备好返回人工神经网络？人工神经网络有可能成为线性投影方法的可行替代方案。回顾的目的我们旨在首先描述人工神经网络及其与基于线性投影的方法（包括PLS回归）的结构等价性。然后，我们回顾了ANN在代谢组学领域的历史，当前和未来用途。关键科学评论概念代谢组学是否准备好返回人工神经网络？