CN106706820B - 一种通用的大规模代谢组学数据的校正方法 - Google Patents

Abstract

本发明公开了一种通用的大规模代谢组学数据的校正方法，首先采用色谱‑质谱联用仪对样品进行分析得到代谢组轮廓，通过计算相邻两个质量控制样品(QC)中代谢物响应强度的比值，将比值从小到大排序后，筛选总比值个数的5％作为离散点，将这5％的离散点平均分配到排序后比值的两端，从而建立模型去筛选代谢组数据中的随机误差，利用比值的线性拟合模型对随机误差进行校正。然后利用线性回归模型构建虚拟QC方法，实现大规模代谢数据集的系统误差校正。本发明可以高效、准确地校正大规模代谢组数据的随机误差和系统误差，实现多批次、不同仪器代谢组数据的整合，改善大规模代谢组数据的质量。

Description

一种通用的大规模代谢组学数据的校正方法

技术领域

本发明涉及分析化学和代谢组学领域。是一种用于大规模代谢组学数据校正的方法。

背景技术

代谢组学是研究生物体内源性小分子代谢物动态变化的一门学科，是继基因组学、转录组学、蛋白质组学后，系统生物学的又一重要分支。代谢物是基因调控的最终产物，是联系基因型和生物表型的纽带，通过对小分子代谢物的定性和定量分析可直接反映机体当前的生理状态。近年来，随着分析技术的发展，代谢组学应用已拓展至疾病的早期诊断和治疗、临床标记物的发现、药物筛选和毒性评价、药物质量控制、功能基因组学、植物学等多个生命科学研究领域。为了更深入地研究和验证与疾病、药物治疗等相关的代谢变化，今年来大规模样品的分析越来越受到重视。而大量样品的分析需要消耗较长的分析时间，长时间的分析会造成仪器灵敏度的下降，因此通常需要将大量的样品分成多个批次进行测试，每个批次间根据仪器响应的状态，需要更换一些必须的配件(如进样垫、衬管等)、色谱柱及不同的仪器等。在这些操作过程中，通常会造成不同批次间的代谢数据存在随机误差及系统误差，而难以实现大规模数据整合；为了实现来自不同批次，不同仪器的多个批次数据的整合，我们建立了一种大规模数据校正的方法，该方法可以同时校正随机误差和系统误差，实现多个批次的整合，满足大规模代谢组学分析的要求。

本发明通过计算相邻两个QC样本中代谢物响应强度的比值，将其从小到大排序后，筛选总比值个数的5％作为离散点，将这5％的离散点平均分配到排序后比值的两端，从而筛选出代谢组数据中的随机误差，利用比值的线性拟合模型对随机误差进行校正。然后利用线性回归模型构建虚拟QC方法，实现大规模代谢数据集的系统误差校正。通过对上述过程的集成化处理，可以准确、高效、高通量的校正大规模代谢组数据的随机误差和系统误差，改善代谢组学数据的质量，实现大规模数据的整合。

发明内容

本发明的目的在于建立一种通用的大规模代谢组学数据的校正方法。该方法可以同时校正随机误差和系统误差，具有校正过程简单、结果准确、通路高等特点，可广泛地应用于大规模代谢组学的研究中。为实现上述目的，本发明采用的技术方案如下：

一种通用的大规模代谢组学数据的校正方法，首先通过计算相邻两个QC样本中代谢物响应强度的比值，建立模型筛选随机误差，然后利用线性拟合模型对随机误差进行校正。最后利用线性回归模型构建虚拟QC方法，实现大规模代谢组数据集的系统误差校正。

具体步骤如附图1所示：

1)QC样本的制作：分别从所有将进行化学轮廓分析的样本中准确称量或移

取等量样本并均匀混合成一个大的样本，即QC样本；

2)代谢组学数据的获取：每5-20个待测样本插入一个QC样本，QC样本和代测样本按照完全相同条件进行样本预处理和基于色谱-质谱方法的代谢组学分析；

3)相邻两个QC样品中代谢组数据比值的获取：计算同一个代谢物在相邻两个QC样品中的响应强度的比值；

4)构建模型筛选随机误差(附图2)：将相邻两个QC样品中代谢物的比值从小到大排序后，筛选总比值个数的5％作为离散点，将这5％的离散点平均分配到排序后比值的两端，从而筛选出随机误差；

5)两个相邻QC样品中正常比值的获取：筛选到随机误差后，去除含有随机误差的代谢特征，计算不含有随机误差的正常代谢特征在相邻两个QC样品中的比值；

6)线性拟合模型的构建：将正常代谢特征在两个相邻QC样本中的比值，进行从小到大排序，并进行线性拟合，获得线性拟合模型的公式，将含有随机误差的代谢特征j带入线性拟合模型的公式中，获得校正因子其中AQC_nj和AQC'_(n-1)j分别代表特征j在QC_n中未校正的响应值和在QC_(n-1)中校正后的响应值；

7)校正随机误差：某一含有随机误差的代谢物j在QC_n中响应值为AQ_nj，其校正后的响应值AQC'_nj可以通过如下公式获得；

8)利用所建立的筛选和校正代谢组学数据随机误差的方法对所有的QC样本进行随机误差的筛选和校正；

9)线性回归模型的构建：应用每个代谢特征在相邻两个QC样品中的响应强度值，构建代谢特征的线性回归模型；

10)虚拟QC方法(附图3)的建立：根据两个相邻QC样本间，实际分析地样本的个数，将上述所构建的某一代谢特征j的线性回归模型进行均等分，每个实际样品i均获得一个虚拟的QC样品，其响应值AQC_{v_ij}的计算公式如下：

式中，a和b代表线性回归模型的斜率和节距，i代表实际样品在线性回归模型中的位置；

11)系统误差校正：利用上述所得到的实际样品i中代谢特征j的虚拟QC的响应值AQC_{v_ij}，对其实测响应强度Ax_ij进行系统误差的校正，校正后的响应值Ax'_ij，可以通过如下公式获得：

本发明具有的效果是：有效、准确地校正代谢组学数据中的随机误差和系统误差，该数据处理过程简单方便、通量高、校正效果明显，可以显著地改善代谢组数据的质量。

附图说明

从下面结合附图的详细描述中，本发明的上述特征和优点将更明显，其中：

图1随机误差和系统误差校正方法的基本流程示意图。

图2筛选随机误差的示意图。

图3虚拟QC校正方法的示意图。

图4是实施例中的实验设计。

图5是实施列中我们建立的校正随机误差和系统误差的方法与传统的内标校正和总峰面积校正方法比较的结果。其中(A)PCA分析中QC样品的欧式距离和皮尔森相关系数，(B)QC样本的RSD分布图，图(B)中，使用圆圈对曲线进行标记，圆圈曲线从上至下依次为随机+系统误差校正；内标校正；总峰面积校正。

具体实施方式

下面通过实例进一步阐释本发明，实例仅限于说明本发明以便于理解，而非对本发明的限定。

实施例1

采用气相色谱-单四级杆串联质谱(GC-Q-MS)测定来自云南、河南、贵州三个产地的新鲜中部烟叶共1197个。所有的样品在2台不同的GC-MS仪器(GC-MS QP2010和QP2010-plus)及9个不同批次的实验中被分析，其中批次1有188个样本，批次2有209个样本,批次3有25个样,批次4有25个样,批次5有156个样,批次6有97个样,批次7有84个样,批次8有354个样,批次9有59个样本，不同的批次间进行了仪器配件的更换、质谱参数的调谐及色谱柱的更换等操作。附图4列出了本实施例的实验设计。

1.样品

以新鲜烟叶样本为例，采集不同产地的新鲜中部烟叶，-196℃液氮保存，运输，液氮条件下研磨，低温冻干，-80℃冰箱储存。每个烟末样本中分别称量0.5g，均匀混合，生成一个新的样本，即质量控制(QC)样本。QC样本可以用于建立气相色谱质谱联用(GC-MS)拟靶标代谢组学方法、评价分析方法的重复性及校正实际样品代谢组数据的误差。

2.随机误差的筛选和校正方法：

2.1GC-MS代谢组学分析

(1)样品预处理：

烟草鲜叶样本从-80℃冰箱中取出，4℃冰箱过夜放置后，室温下放置1小时。准确称取10mg烟草鲜叶样本，加入1.5mL乙腈/异丙醇/水(3/3/2,v/v/v),此时内标十三酸的的浓度相当于1.3μg/ml,涡旋振荡提取4分钟后，14000rpm离心10分钟，取0.5mL上清，低温减压干燥。衍生采用肟化反应和硅烷化反应两步法，第一步加入100μL甲氧胺盐酸盐-吡啶溶液(20mg/mL)，37℃水浴衍生90分钟；第二步加入80mL N-甲基-N-(三甲基硅基)三氟乙酰胺进行硅烷化反应，反应时间60分钟。取上清1μL用于进样。

(2)GC-MS分析条件：气相色谱质谱联用的分析在岛津QP2010气质联用系统完成；色谱柱为安捷伦DB-5MS毛细管柱(30m×0.25mm×0.25μm)；氦气作为载气，流量1.2mL/min；进样口温度300℃，分流比10：1；程序升温：初始70℃，保持3分钟，5℃/min升至310℃，保持5分钟。进样量1μL。EI电离模式(70eV)，传输线温度280℃，离子源240℃，质量扫描范围33-600m/z，GC-MS拟靶标分析方法的建立流程主要包括以下几个方面，首先采用ChromaTOF(Leco)和AMDIS(NIST)软件对QC样品的GC-MS全扫描数据进行去卷积和峰识别，确定轮廓分析的目标化合物，通过计算相邻化合物的保留时间，对所有待分析的化合物进行分组，进行组内特征离子的选择。根据化合物的特征离子、保留时间和分组信息建立基于GC-MS拟靶标代谢组学分析方法，该方法包括50个分组，319个代谢物。拟靶标分析方法的其他参数与全扫描模式相同。

2.2代谢组轮廓数据的生成

采集的原始代谢组轮廓数据由ChromaTOF(Leco)和AMDIS(NIST)软件进行去卷积和峰识别。随后，采用岛津Postrun软件进行色谱峰的匹配，保留时间窗口设为0.2min。

2.3构建模型筛选随机误差

将相邻两个QC样品中代谢物响应强度的比值从小到大排序后，筛选总比值个数的5％作为离散点，将这5％的离散点平均分配到排序后比值的两端(附图2)，从而筛选出随机误差。

2.4构建线性拟合模型校正随机误差

筛选到随机误差后，去除含有随机误差的代谢特征，计算不含有随机误差的正常代谢特征在相邻两个QC样品中的比值，并对其进行从小到大排序，

然后建立线性拟合模型，获得拟合模型的公式，将含有随机误差的代谢特征j带入线性拟合模型的公式中，获得校正因子其中AQC _nj和AQC'_(n-1)j分别代表特征j在QC_n中未校正的响应值和在QC_(n-1)中校正后的响应值。最后，某一含有随机误差的代谢物j在QC_n中响应值为AQ_nj，其校正后的响应值AQC'_nj的可以通过如下公式获得；

2.5构型虚拟QC方法校正系统误差

应用每个代谢特征在相邻两个QC样品中的响应强度值，构建代谢特征的线性回归模型(附图3)。根据两个相邻QC样本间，分析地实际样本的个数，将上述所构建的某一代谢特征j的线性回归模型进行均等分，每个实际样品i均获得一个虚拟的QC样品，其响应值AQC_{v_ij}的计算公式如下：

式中，a和b代表线性回归模型的斜率和节距，i代表实际样品在线性回归模型中的位置。

利用上述所得到的实际样品i中代谢特征j的虚拟QC的响应值AQC_{v_ij}，对其实测响应强度Ax_ij进行系统误差的校正，校正后的响应值Ax'_ij，可以通过如下公式获得：

2.6与常用的内标校正和总峰面积校正的结果比较

与实施例1类似。将实验所获得的GC-MS拟靶标代谢组数据用内标校正和总峰面积校正，输出结果，并对所计算的结果进行比较。结果发现，与内标校正和总峰面积校正相比，我们建立的校正随机误差和系统误差的方法，可以使所有的QC样品，展现出较大的皮尔森相关系数、较小的欧式距离和RSD值(附图5)，说明应用我们建立的校正方法可以使所有的QC样品在PCA中聚集的更紧密，并显著地改善QC的重复性。总之，本发明给出了一种通用的大规模代谢组学数据的校正方法。与传统的内标校正和总峰面积校正方法相比，本发明同时校正了随机误差和系统误差，可以实现不同批次、不同仪器大规模代谢数据的整合。首次采用相邻两组质量控制样品的比值筛选随机误差，然后利用线性拟合模型对随机误差进行校正。最后利用线性回归模型构建虚拟QC方法，实现大规模代谢组数据集的系统误差校正。采用本发明方法比传统的内标校正和总峰面积校正方法有更好的校正效果，校正后数据重复性好、欧式距离小和皮尔森相关系数大。

Claims (6)

1.一种通用的大规模代谢组学数据的校正方法，其特征在于：

首先从所有待测样本中取出相同质量，混合后建立QC样本，计算相邻两个QC样本中代谢特征响应强度的比值，以总比值个数的5％作为离散点，并将这5％的离散点平均分配到排序后比值的两端，根据该模型筛选随机误差；然后利用剩余的不含有随机误差的正常代谢特征的比值构建线性拟合模型，对上述的随机误差进行校正；最后根据两个相邻QC样本间，实际分析的样本个数，利用相邻两个QC样本中代谢特征的响应强度值，构建线性回归模型，获得每个实际样本的虚拟QC校正值，进而建立虚拟,QC方法，实现大规模代谢组数据集的系统误差校正。

2.根据权利要求1所述的方法，其特征在于：利用代谢特征在两个相邻QC样本中响应强度的比值，构建模型去筛选代谢组数据的随机误差，具体步骤如下，

1)QC样本的制作：分别从所有将进行代谢组学分析的样本中准确称量或移取等量样本并均匀混合成一个大的样本，即QC样本；

2)代谢组学数据的获取：每分析5-20个待测样本插入一个QC样本，QC样本和待测样本按照完全相同条件进行样本预处理和基于色谱-质谱方法的代谢组学分析；

3)相邻两个QC样本中代谢组数据比值的获取：计算同一个代谢特征在相邻两个QC样本中的响应强度的比值；

4)构建模型筛选随机误差：将相邻两个QC样本中代谢特征的比值从小到大排序后，筛选总比值个数的5％作为离散点，将这5％的离散点平均分配到排序后比值的两端，从而筛选出随机误差。

3.按照权利要求1所述的方法，其特征在于：利用两个相邻QC样本中的正常比值进行线性拟合模型，校正随机误差；具体过程为：

1)两个相邻QC样本中正常比值的获取：筛选到随机误差后，去除含有随机误差的代谢特征，计算剩余不含有随机误差的正常代谢特征在相邻两个QC样本中的比值；

2)线性拟合模型的构建：将正常代谢特征在两个相邻QC样本中的比值，进行从小到大排序，并进行线性拟合，获得线性拟合模型的公式，将含有随机误差的代谢特征j带入线性拟合模型的公式中，获得校正因子其中和分别代表代谢特征j在QC_n中未校正的响应值和在QC_(n-1)中校正后的响应值；

3)校正随机误差：某一含有随机误差的代谢特征j在QC_n中响应值为其校正后的响应值可以通过如下公式获得；

4.根据权利要求1所述的方法，其特征在于：利用所建立的筛选和校正代谢组学数据随机误差的方法对所有的QC样本进行随机误差的筛选和校正。

5.根据权利要求1所述的方法，其特征在于：根据两个相邻QC样本中实际分析的样本个数，利用相邻两个QC样本中代谢特征的响应强度值构建线性回归模型，获得实际样本的虚拟QC校正值，建立虚拟QC校正方法，实现大规模代谢组数据集的系统误差校正；具体过程为：

1)线性回归模型的构建：应用每个代谢特征在相邻两个QC样本中的响应强度值，构建代谢特征的线性回归模型；

2)虚拟QC方法的建立：根据两个相邻QC样本间，实际分析的样本的个数，将上述所构建的某一代谢特征j的线性回归模型进行均等分，每个实际样本i均获得一个虚拟的QC样本，其响应值的计算公式如下：

式中，a和b代表线性回归模型的斜率和节距，i代表实际样本在线性回归模型中的位置；

3)系统误差校正：利用上述所得到的实际样本i中代谢特征j的虚拟QC的响应值对其实测响应强度Ax_ij进行系统误差的校正，校正后的响应值Ax'_ij，可以通过如下公式获得：

6.根据权利要求1所述的方法，其特征在于：将进行代谢组学分析的样本个数为5个以上。